Training of oncologists: Results of a global survey.
Notice bibliographique
Résumé
10526 Background: While several studies have highlighted the global shortages of oncologists and their workload, few have studied the characteristics of current oncology training. Methods: An online survey was distributed through a snowball method via national oncology societies and a pre-existing network of contacts to cancer care providing physicians in 57 countries. Countries were classified into low- or lower-middle-income countries (LMICs), upper-middle-income countries (UMICs), and high-income countries (HICs) based on World Bank criteria. Results: 273 physicians who trained in 57 different countries responded to the survey; 33% (90/273), 32% (87/273), and 35% (96/273) in LMICs, UMICs and HICs respectively. 60% of respondents were practicing physicians and 40% were in training. The proportion of trainees was higher in LMICs (51%; 45/89) and UMICs (42%; 37/84), than HICs (19%; 28/96; P = 0.013). A higher proportion of respondents from LMICs (37%; 27/73) self-fund their core oncology training compared to UMICs (13%; 10/77) and HICs (11%; 10/89; P < 0.001). Respondents from HICs were more likely to complete an accepted abstract, poster and publication from their research activities compared to respondents from UMICs and LMICs (abstract: 37/72 (51%) from HICs, 18/66 (27%) from UMICs, 24/65 (37%) from LMICs, P = 0.014; poster: (42/72 (58%) from HICs, 28/66 (42%) from UMICs, 13/65 (20%) from LMICs, P < 0.001; publication: 43/72 (60%) from HICs, 32/66 (49%) from UMICs, 24/65 (37%) from LMICs, P = 0.029). Respondents identified several barriers to effective training including skewed service to education ratio and burnout. With regards to preparedness for practice, mean scores on a 5-point Likert scale were low for professional tasks like supervision and mentoring of trainees, leadership and effective management of an oncology practice, and understanding of healthcare systems irrespective of country grouping. Conclusions: Investment in training by the public sector would be vital to decreasing the prevalence of self-funding in LMIC. Gaps in research training and enhancement of competencies in research dissemination in LMIC require attention. Instruction on cancer care systems and leadership need to be incorporated in training curricula in both LMICs and HICs.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».