Gender trends in match rate to surgical specialties in Canada: A retrospective study from 2003–2022
Notice bibliographique
Résumé
BACKGROUND: In Canada, there is a recognized underrepresentation of women in the field of surgery. However, the extent to which this trend applies across various surgical specialties is not well delineated. The aim of this study is to identify existing disparities and trends over time to inform the need for future interventions to make the match process more equitable for applicants. METHODS: Data regarding surgical specialty applicants was extracted from the Canadian Resident Matching Service (CaRMS)'s 2003 to 2022 reports. RESULTS: A total of 9,488 applicants ranked surgical specialties as their first choice from 2003-2022. Increases in the proportion of women applicants comparing periods 2003-2007 to 2018-2022 were significant for cardiac surgery (22% to 43%, p = 0.03), general surgery (46% to 60%, p<0.001), orthopedic surgery (23% to 35%, p<0.001), urology (23% to 38%, p<0.001), and all aggregated surgical specialties ('all surgery') (45% to 55%, p<0.001). An increase in the proportion of women applicants who matched over the same periods was observed for general surgery (+47% to 60%, p<0.001), orthopedic surgery (24% to 35%, p<0.01), urology (21% to 34%, p<0.001), and all surgery (46% to 54%, p<0.001). From 2003-2022, a lower match rate for women compared to men was observed for otolaryngology (0.60 v 0.69, p = 0.008), urology (0.61 v 0.72, p = 0.003), and all surgery (0.71 v 0.73, p = 0.038), while higher match rates were observed for ophthalmology (0.65 v 0.58, p = 0.04). No statistically significant differences in match rate were observed from 2018-2022. CONCLUSIONS: While the proportion of women applicants to surgical specialties in Canada has been increasing, women remain underrepresented in several surgical specialties. This underrepresentation cannot be solely attributed to fewer women applying to these specialties, as women experience lower success rates when matching to specific surgical specialties. Further research is essential to identify and address the underlying causes of these disparities.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».