Exploring Skin Tone Diversity in a Plastic Surgery Resident Education Curriculum
Notice bibliographique
Résumé
Background: Gaps remain in surgical education regarding the representation of skin tone diversity. To improve equity and prevent misdiagnosis leading to worsened health outcomes, efforts must be made to ensure educational photographs are representative of the diverse patient populations plastic surgery residents will be treated in their future practices. Methods: Four study investigators examined 96 h of recorded lecture seminars from a Canadian plastic surgery resident education curriculum from May 2020 to December 2021. Using Fitzpatrick skin type to codify skin tone, photographic images were individually classified and compared. Program lecturers and residents were invited to participate in an online anonymized survey to explore related perceptions of the curricula. Results: A total of 1990 images were included for analysis. Of these, 83.2% were Fitzpatrick types I to III, 13.1% were Fitzpatrick types IV to V, and 3.7% were Fitzpatrick type VI. There was a statistically greater proportion of Fitzpatrick I to III compared to types IV to V ( P < .01), and type VI ( P < .01). Fleiss’ Kappa was calculated to be 0.896, representing near-perfect agreement. In the survey, 61% (14/22) of faculty respondents believe they include enough diversity in their photographs, however, 46% (4 of 9) of resident respondents would like to see more diversity in lecturers’ photographs. Conclusions: There is an underrepresentation of medium (Fitzpatrick types IV-V) and dark (Fitzpatrick VI) images in plastic surgery resident educational images. Providing a curriculum that represents diverse patient populations is crucial to enabling competency and equity of care, particularly in a highly visual field. Incorporating skin tone diversity into educational curricula should be a priority for all plastic surgery programs.
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 | 0,002 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 ».