A scoping review of oncology medical education interventions in low and middle income countries.
Notice bibliographique
Résumé
e23004 Background: A large proportion of the global cancer burden occurs in low and middle income countries (LMICs). One of the significant barriers to adequate cancer control is the lack of an adequately trained oncology workforce. Medical education and training initiatives in oncology are necessary to tackle growing cancer incidence and mortality rates. We performed a scoping review of oncology medical education interventions in LMICs to understand the strategies used to train the global oncology workforce. Methods: We searched OVID MEDLINE and EMBASE databases between January 1, 1995 and March 4, 2020 using a standardized scoping review framework. Articles were eligible if they described an oncology medical education intervention within an LMIC with clear outcomes. Articles were classified based on the target population, the level of medical education, form of collaboration with another institution and if there was an e-learning component to the intervention. Results: Of the 806 articles screened, 25 met criteria and were eligible for analysis. The Middle East/Africa was the most common geographic area of the educational initiative (N=14/25). The majority of interventions were targeted towards physicians (n=15/25) and focused on continuing medical education (n=22/25). Twelve articles described the use of e-learning as part of the intervention. Twenty four articles described some form of collaboration, most commonly with an institution from a high-income country. Language barriers, technology, and lack of physical infrastructure and resources in the LMIC were the most common challenges described. The majority of the initiatives were funded through grants or charitable donations. Conclusions: There is a paucity of published interventions of oncology medical education initiatives in LMICs. Continued medical education initiatives and those targeted towards physicians are most common. There is a lack of collaboration between LMICs in these interventions. Further interventions are needed earlier during medical training and for non-physicians. In addition, increased use of e-learning interventions may overcome certain identified challenges. Encouragement of locally funded initiatives as well as scholarly evaluation and publication of these initiatives are important to improve cancer care in LMICs.
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 | 0,019 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,006 |
| Bibliométrie | 0,024 | 0,027 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».