The Unintentional Effects on Body Donation Programs of a Competency‐Based Curriculum in Postgraduate Medical Education
Notice bibliographique
Résumé
As medical programs place increasing importance on competency‐based training and surgical simulations for residents, anatomy laboratories, and body donation programs find themselves in a position of adapting to changing demands. To better assess the demand for “life‐like” cadaveric specimens and evaluate the possible impacts that competency‐based medical education could have upon the body donation program of McGill University, Canada, the authors tracked, over the course of the last 10 years, the number of soft‐embalmed specimens, along with the number of teaching sessions and the residents enrolled in competency‐based programs that are using cadaveric material. The results reveal that the number of soft‐embalmed specimens used within residency training increased from 5 in 2009 to 35 in 2019, representing an increase from 6% of bodies to 36.5% of the total number of body donors embalmed in this institution. Correspondingly, the number of annual teaching sessions for residents increased from 19 in 2012 to 116 in 2019. These increases in teaching are correlated with increasing number of residents enrolled in competency‐based programs over the last 3 years (Pearson r ranging from 0.9705 to 0.9903, and R 2 ranging from 0.9418 to 0.9808). Those results suggest that the new skill‐centered curricula which require residents to perform specific tasks within realistic settings, exhibit a growing demand for “life‐like” cadaveric specimens. Institutions’ body donation programs must, therefore, adapt to those greater need for cadaveric specimens, which presents many challenges, ranging from the logistical to the ethical.
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 | 0,000 | 0,001 |
| 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 ».