Impact of the COVID-19 pandemic on the wellbeing of international fellows training in hematology/oncology at the Princess Margaret Cancer Centre (PMCC).
Notice bibliographique
Résumé
11038 Background: The COVID-19 pandemic has led to significant disruptions across all levels of medical training. International fellows in subspecialty training programs are essential members of the frontline physician workforce, who may be facing additional and unique challenges being far away from their home country. We aimed to understand the impact of the pandemic on the wellbeing of current international fellows in the Hematology/Oncology training program. Methods: We conducted an online survey of 52 international fellows at the PMCC from July 6-August 10, 2020. There were 60 questions divided into 4 sections: demographics, wellbeing assessment using the validated Short Warwick Edinburgh Mental Wellbeing Scale (SWEMWBS), fellowship specific questions (personal and professional) and coping strategies using the validated brief COPE scale. Results: Response rate was 46% (n = 24). Relevant demographics include: married (65%), male (54%), age between 31-35 years (48%), have children (48%), and home country from Asia (48%). Mean SWEMWBS score was 21, indicating lower overall wellbeing than the general population (23.6). Compared to pre-COVID-19, many reported a decline in their wellbeing (63%), sense of guilt for not being with their family (45%) or helping their country (41%), stress in personal relationships (26%), fatigue (50%), sleep disorders (38%) and loss of interest in daily activities (38%). Personal events were altered by almost 80% and 20% plans to extend their fellowship. According to the Brief-COPE scale, most fellows used more adaptive coping mechanisms (mean score 39.2) as opposed to maladaptive ones (mean score 21.8). Conclusions: The ongoing COVID-19 pandemic has negatively affected the overall wellbeing of international fellows. Understanding the specific challenges and coping mechanisms of international fellows may help Institutions develop better targeted strategies to promote their overall wellbeing, professional development and high-quality patient care during these unprecedented times.
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 | 0,003 | 0,010 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».