1132 The Best Way to Develop a Surgeon: An International Comparison of Medical Education and Surgical Training
Notice bibliographique
Résumé
Abstract Aim Currently, interest in surgical careers is declining globally. Surgeons share ideas internationally without sharing much about training. This study compares international pathways toward surgeon development with the aim of seeking improvements. Method A 70-question anonymous survey was distributed internationally to surgeons of all specialties. Data were analysed in SPSS Statistics for Macintosh (IBM). A value of p<0.05 indicates statistical significance. Results The 463 respondents from the U.S. (59%); U.K. (16%); Europe (10%); Canada (5%), and the Rest of the World (RotW)(10%) averaged age 46; 64% were female. Non-U.S./Canadians (93%) attended 5- and 6-year medical schools; U.S. respondents were far more likely (91%) to attend non-medical 4+-year university before medical school. Weekly training-hour weekly mandates spanned <48 (9%) to 80+ (45%); 76% surpassed mandate hours; 9% reported accurate hours. Average educational debt ranged from $14,000 (Europe) to $179,000 (U.S.). Few (19%) felt training allowed family building. Nearly all U.S./Canadians felt competent after training, versus U.K. (81%), RotW (74%) and Europe (70%). Conclusions The outlook of surgery as an attractive career depends on the way we develop future surgeons. Based on best practices from different countries, the authors recommend a 6-year maximum university/medical education requirement; elimination of mandatory non-surgical training years; single-program surgical training; 60-hour work-weeks; competency-based training; AI tools for training and tasks; advanced-care providers for non-educational tasks; certifying at completing of training; and support of childbearing and childcare.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».