Factors Influencing Trainees’ Interest in Breast Imaging
Notice bibliographique
Résumé
Purpose: To gauge the level of interest in breast imaging (BI) and determine factors impacting trainees’ decision to pursue this subspecialty. Methods: Canadian radiology residents and medical students were surveyed from November 2020 to February 2021. Training level, actual vs preferred timing of breast rotations, fellowship choices, perceptions of BI, and how artificial intelligence (AI) will impact BI were collected. Chi-square, Fisher’s exact tests and univariate logistic regression were performed to determine the impact of trainees’ perceptions on interest in pursuing BI/women’s imaging (WI) fellowships. Results: 157 responses from 80 radiology residents and 77 medical students were collected. The top 3 fellowship subspecialties desired by residents were BI/WI (36%), abdominal imaging (35%), and interventional radiology (25%). Twenty-five percent of the medical students were unsure due to lack of exposure. The most common reason that trainees found BI unappealing was repetitiveness (20%), which was associated with lack of interest in BI/WI fellowships (OR = 3.9, 95% CI: 1.6-9.5, P = .002). The most common reason residents found BI appealing was procedures (59%), which was associated with interest in BI/WI fellowships (OR, 3.2, 95% CI, 1.2-8.6, P = .02). Forty percent of residents reported an earlier start of their first breast rotation (PGY1-2) would affect their fellowship choice. Conclusion: This study assessed the current level of Canadian trainees’ interest in BI and identified factors that influenced their decisions to pursue BI. Solutions for increased interest include earlier exposure to breast radiology and addressing inadequacies in residency training.
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 | 0,001 | 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 | 0,000 | 0,000 |
| 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 ».