Oncology education for family medicine residents: a national needs assessment survey
Notice bibliographique
Résumé
BACKGROUND: This study aimed to determine the current state of oncology education in Canadian family medicine postgraduate medical education programs (FM PGME) and examine opinions regarding optimal oncology education in these programs. METHODS: A survey was designed to evaluate ideal and current oncology teaching, educational topics, objectives, and competencies in FM PGMEs. The survey was sent to Canadian family medicine (FM) residents and program directors (PDs). RESULTS: In total, 150 residents and 17 PDs affiliated with 16 of 17 Canadian medical schools completed the survey. The majority indicated their programs do not have a mandatory clinical rotation in oncology (79% residents, 88% PDs). Low rates of residents (7%) and PDs (13%) reported FM residents being adequately prepared for their role in caring for cancer patients (p = 0.03). Residents and PDs believed the most optimal method of teaching oncology is through clinical exposure (65% residents, 80% PDs). Residents and PDs agreed the most important topics to learn (rated ≥4.7 on 5-point Likert scale) were: performing pap smears, cancer screening/prevention, breaking bad news, and approach to patient with increased cancer risk. According to residents, other important topics such as appropriate cancer patient referrals, managing cancer complications and post-treatment surveillance were only taught at frequencies of 52, 40 and 36%, respectively. CONCLUSIONS: Current FM PGME oncology education is suboptimal, although the degree differs in the opinion of residents and PDs. This study identified topics and methods of education which could be focussed upon to improve FM oncology education.
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 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».