The Educational Impact of a Fellowship-trained Orthopaedic Oncologist
Notice bibliographique
Résumé
INTRODUCTION: Musculoskeletal oncology is a subspecialty of orthopaedics with few fellowship-training locations. Although orthopaedic oncologists comprise a minority within the field of orthopaedic surgery, most work at academic centers and serve in leadership roles with notable impact on patients and the training of residents. This article investigates the objective impact orthopaedic oncologists have regarding resident operative case volume and performance on in-training examinations. METHODS: The William Beaumont Army Medical Center and Texas Tech University Health Sciences Center of El Paso combined orthopaedic residency program's case logs and Orthopaedic In-Training Examination (OITE) scores between 2013 and 2018 were reviewed. This provided 3 academic years of data before and after an orthopaedic oncology faculty member arrived in 2016. The case volume and OITE examination performance before and after the addition of the orthopaedic oncology faculty member were compared. RESULTS: After the addition of an orthopaedic oncology faculty member, a significant increase was observed in the program's OITE overall correctly answered questions (171.30 versus 181.03, P = 0.004) and oncology subsection percentile (56th to the 66th percentile, P = 0.038). An increase was also observed in resident oncology case volume from 29 oncology cases per year to 138 cases on average (P = 0.022). DISCUSSION: The addition of a fellowship-trained orthopaedic oncologist results in increased exposure to orthopaedic oncology cases and improved resident performance on the OITE. This may correlate to improved American Board of Orthopaedic Surgeons Part I pass rates and improved overall resident satisfaction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».