Experiences and Outcomes of the Society of Genitourinary Reconstructive Surgeons Fellowship Training: Growth in Fellowships Mirrors the Evolution of the Discipline
Notice bibliographique
Résumé
OBJECTIVE: To describe experiences and outcomes of the Society of Genitourinary Reconstructive Surgeons (GURS) fellowship match. In 2012, GURS developed a centralized fellowship match which has grown from 13 to 30 programs. METHODS: GURS match statistics and case logs were reviewed from 2013-2024. Additionally, a 37-question survey evaluating satisfaction, procedural competency, fellowship experience, and employment opportunities were sent to graduates. Linear regression was performed to examine trends over time. RESULTS: Over the study period, program match success remained stable (94.7%; P = .50) while applicant success (63.3%) increased over time (P = .04). North American and female applicants experienced higher match success (72.8% and 73.6%) compared to their international (35.5%; P <.0001) and male counterparts (60.0%; P = .02). On case log analysis, mean surgical volumes per year increased in urethral reconstruction (mean=88.1; P = .02), male sexual health (n = 32.7; P = .03), genital reconstruction (mean=16.4; P <.01) and abdominal reconstruction (mean=24.5; P = .03). Male incontinence surgeries remained stable (mean=30.5; P = .21) while female reconstruction declined (mean=23.2; P = .01). With a survey response rate of 54.5% (97/178), training satisfaction was 95.9% which did not differ by gender (P = .54) or year of training (P = .22). Around 97.9% felt competent to enter unsupervised reconstructive practice, 94.8% reported an understanding of the relevant literature and 96.9% were satisfied with their job as a reconstructive urologist. Around 49.5% identified a different case mix in practice compared to fellowship, most commonly related to abdominal (44.9%) or genital reconstruction (16.3%). CONCLUSION: GURS fellowships have grown organically over the last decade and mirror the growth and evolution of the discipline with sustained high levels of graduate satisfaction, surgical experience, competence, scholarly inquiry and employment.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| 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 ».