Training and capacity building in obstetric fistula repair: A scoping review
Notice bibliographique
Résumé
BACKGROUND: An ongoing barrier to sustainable obstetric fistula (OF) care is the lack of trained fistula surgeons. Despite a standardized training curriculum, data regarding OF repair training remain limited. OBJECTIVES: To assess the availability of literature on the case numbers or training duration required for OF repair competency and whether these data are stratified by trainee background or repair complexity. SEARCH STRATEGY: A systematic search of MEDLINE, Embase, and OVID Global Health electronic databases and gray literature. SELECTION CRITERIA: All English sources from all years from low- and middle-income and high-income countries were eligible. Identified titles and abstracts were screened and full-text articles were reviewed. DATA COLLECTION AND ANALYSIS: Data collection and analysis included a descriptive summary organized by training case numbers, training duration, trainee background, and repair complexity. RESULTS: Of the 405 sources retrieved, 24 were included in the study. The only concrete recommendations were in the International Federation of Gynecology and Obstetrics 2022 Fistula Surgery Training Manual, which proposes 50 to 100 repairs (Level 1), 200 to 300 repairs (Level 2), and trainer discretion for Level 3 competency. CONCLUSIONS: More case- or time-based data, particularly if stratified by trainee background and repair complexity, would be useful at the individual, institutional, and policy level for fistula care implementation or expansion.
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 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 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 ».