The Status of Diversity in Canadian Radiology—Where We Stand and What Can We Do About It
Notice bibliographique
Résumé
Radiology has been identified as one of the medical specialties with the least gender, racial, and ethnic diversity. Despite the demonstrated benefits of gender and race diversity in medicine and industry, including innovation, empathy and improved patient outcomes, diversity in radiology in Canada is still lacking. In 2019, women represented around 63% of current medical graduates. However, within Canadian radiology practices, only 31.6% of radiologists are women. Women are also underrepresented in academic positions and the widening gender gap is present at higher academic ranks, indicating that women may not advance through academic hierarchies at the same pace as men. Although data on racial diversity in Canadian radiology practices is currently lacking, the representation of visible minorities in the general Canadian population is not reflected across Canadian radiology practices. Similarly, despite the Canadian Truth and Reconciliation Commission calling for action to increase the number of Indigenous healthcare workers, Indigenous people remain underrepresented in medicine and radiology. The importance of increasing diversity in radiology has gained recognition in recent years. Many solutions and strategies for national associations and radiology departments to improve diversity have been proposed. Leadership commitment is required to implement these programs to increase diversity in radiology in Canada with the ultimate goal of improving patient care. We review the current literature and available data on diversity within radiology in Canada, including the status of gender, race/ethnicity, and Indigenous people. We also present potential solutions to increase diversity.
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 | 0,002 | 0,002 |
| 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 | 0,001 | 0,001 |
| 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 ».