Integrating Public Health Into Undergraduate Medicine in North America: A Systematic Review
Notice bibliographique
Résumé
The coronavirus disease 2019 (COVID-19) pandemic has served as a stark reminder of the importance of foundational public health training for all physicians. However, the most effective way to incorporate these concepts into undergraduate medical education remains unclear. Here, we characterize the literature regarding the effectiveness of public health integration into undergraduate medical education in North America. We systematically searched MEDLINE, Embase, Cochrane Central, and Education Resources Information Center (ERIC) in accordance with preferred reporting items for systematic review and meta-analysis (PRISMA) guidelines for North American peer-reviewed literature, published from 01/01/2000 to 30/08/2021, that described outcomes of integrating public health training within an undergraduate medical curriculum. Results were qualitatively synthesized into key themes. A total of 38 studies, involving interventions across 43 medical schools, were included. Studies reported on a combination of public (n=13), global (n=9), population (n=9), community (n=6), and epidemiological (n=1) health interventions, and either implemented one-off workshops, electives, or international experiences (n=19); a longitudinal theme or long-term enrichment pathway (n=14); or a case-based learning curriculum (n=8). The majority (81.5%, 31/38) of integrations were self-described as successful and, of studies reporting on feasibility, most (94.1%, 16/17) were indicated as feasible. The definition of what constituted such success, however, was unclear. Innovative examples included the use of simulation workshops and mobile-optimized media content. Key challenges were noted, however, in securing adequate funding and buy-in from administrative leadership. Robust community partnerships and iterative cycles of implementation of the intervention were critical factors to success. In summary, foundational public health components can be effectively integrated into medical school curricula and would benefit from adequate resourcing, innovation, community partnerships, and continuous improvement.
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 | 0,013 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,007 |
| Bibliométrie | 0,010 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».