The Impact of COVID-19 on Plastic Surgery Training in the United Kingdom, Canada and Australia—A Cross-Sectional Study
Notice bibliographique
Résumé
Abstract Background Surgical trainees worldwide have been thrust into a period of uncertainty, with respect to the implications COVID-19 pandemic will have on their roles, training, and future career prospects. It is currently unclear how plastic surgery trainees are being affected by COVID-19. This study examined the experience of plastic surgery trainees in Canada, the UK, and Australia to determine trainee roles during the early COVID-19 emergency response and how training changed during this time. Methods A cross-sectional survey-based study was designed for plastic surgery trainees in the UK, Canada and Australia. In total, 110 trainees responded to the survey. Statistical tests were conducted to determine differences in responses, based on year of training and country of residence. Results In total, 9.7% (10/103) of respondents reported being deployed to cover another service. There was a significant difference between redeployment based on country (p = 0.001). Within the UK group, 28.9% of respondents were redeployed. For trainees not deployed, 95.5% (85/89) reported that there has been a reduction in operative volume. Ninety-seven (94.1%) respondents reported that there were ongoing teaching activities offered by their program. The majority of trainees (66.4%) were concerned about their training. There was a significant difference between overall concern and country (p < 0.05). Conclusion In these unprecedented times, training programs in plastic surgery should be aware of the major impact that COVID-19 has had on trainees and will have on their training. The majority of plastic surgery trainees have experienced a reduction in surgical exposure but have maintained some form of regular teaching.
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 | 0,004 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».