Adverse Childhood Experiences, Household Income, and Mentorship Among Interns Who Are Underrepresented in Medicine
Notice bibliographique
Résumé
Background: Underrepresented in medicine (UIM) interns have unique lived experiences that affect their paths to medicine, and more information is needed for medical residency and fellowship programs to better support them. Objective: We describe self-reported differences between UIM and White physician interns in key demographic areas, including household income growing up, physician mentorship, and adverse childhood experiences (ACEs). Methods: Between 2019 and 2021, we administered a diversity survey to incoming medical interns at the University of Minnesota-Twin Cities. Response rates across the 3 years were 51.2% (167 of 326), 93.9% (310 of 330), and 98.9% (354 of 358), respectively. We conducted analyses to compare UIM and White groups across demographic variables of interest. Results: A total of 831 of 1014 interns (81.9%) completed the survey. Relative to White interns, UIM interns had lower household incomes growing up, lower rates of mentorship, and higher rates of experiencing 4 or more ACEs. The odds of experiencing the cumulative burden of having a childhood household income of $29,999 or less, no physician mentor, and 4 or more ACEs was approximately 10 times higher among UIM (6.41%) than White (0.66%) interns (OR=10.38, 95% CI 1.97-54.55). Conclusions: Childhood household income, prior mentorship experiences, and number of ACEs differed between UIM and White interns.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».