Building global surgical workforce capacity through academic partnerships
Notice bibliographique
Résumé
Abstract: Nearly 5 billion of the world’s growing population lacks access to safe, accessible and equitable surgical care. It results in millions of disabilities and death due to common diseases treated surgically. The severe shortage of the surgical workforce, as well as the unequal distribution of providers in urban, compared with rural areas, is a challenge faced by many communities. Global surgery academic partnerships between institutions in high-income countries (HICs) and low-middle income countries have played an essential role in developing surgical workforce capacity. There is also an increased interest from students and trainees in HICs to partake in international training opportunities. However, not all partnerships are equal and sometimes raise critical ethical concerns. Various recommendations have been made to define and create equitable, sustainable and ethical collaborations that focus on the priorities of the low-middle-income country (LMIC) institutions and trainees. In this article, we review some of the academic partnerships that exist and other training models that provide sustainable and accessible education and resources for mutual learning between surgical trainees from both high-income and low-middle income countries. There is an overwhelming need for high-income and low-income institutions to work together to create equitable and ethical partnerships and build a workforce to provide safe and accessible surgery for all.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,011 | 0,009 |
| Science ouverte | 0,002 | 0,030 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,031 | 0,005 |
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 source (Gemma direct ou Codex distillé), 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 ».