Diagnostic Radiology Residency Application Trends: Canadian Match Results From 2010-2020
Notice bibliographique
Résumé
Introduction: Rapid advancements in artificial intelligence (AI) have generated uncertainty about the future of radiology among medical students. However, it is unclear whether this has affected radiology residency applications. The purpose of this study was to evaluate recent trends in the Canadian radiology residency match. Methods: Canadian Resident Matching Service annual data reports from 2010-2020 were collected. Statistics were extracted for Canadian medical graduates applying to radiology in the R-1 main residency match and analyzed using linear regression. Results: The number of available radiology residency positions decreased ( P = .01); declining from 84 in 2010 to 81 in 2020 (mean = 83.1). The overall number of applicants did not change ( P = .08, mean = 131.8). The proportion of applicants with radiology as their first choice decreased ( P = .001); declining from 4.5% in 2010 to 3.1% in 2020 (mean = 3.4%). The number of applicants applying exclusively to radiology also decreased ( P = .02); declining from 39 in 2010 to 16 in 2020 (mean = 23). Positions per applicant ( P = 0.24, mean = 0.64), and positions per applicant with radiology as their first choice did not change ( P = 0.07, mean = 0.91). Conclusion: While the overall number of students applying to radiology did not change, the number of applicants ranking radiology as their first or only choice decreased sharply. This analysis corroborates recent reports of increased workload, burnout, and declining reimbursement as well as uncertainty about the future of radiology due to advances in AI.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».