MétaCan
Menu
Retour à la cohorte
Enregistrement W4404033657 · doi:10.1016/j.acpath.2024.100151

Social media in pathology and laboratory medicine: A systematic review

2024· review· en· W4404033657 sur OpenAlexaff
Allyson Flippo, B.S. Dixit, Casey P. Schukow, Sean Hacking, Kimberly L. Fiock, Kathryn Golab, Snehal Sonawane, David Alter, Rodney E. Rohde, Swikrity Upadhyay Baskota, Aadil Ahmed, Nicole R. Jackson, Anna B. Owczarczyk, Kyle Conway, Kamran Mirza

Notice bibliographique

RevueAcademic Pathology · 2024
Typereview
Langueen
DomaineSocial Sciences
ThématiqueSocial Media in Health Education
Établissements canadiensUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésMedical laboratoryMedicinePathology

Résumé

récupéré en direct d'OpenAlex

The use of social media platforms in pathology and medical laboratory science has increased in recent years, revolutionizing the way professionals in these fields interact, disseminate information, and collaborate. To gain an understanding of the current landscape regarding social media use in pathology and medical laboratory science, a novel systematic review was conducted. A search of PubMed, Medline, Embase, and Scopus was performed to identify articles evaluating social media use within pathology and medical laboratory science. Articles published in English within the previous 10 years were searched on December 22, 2022. Inclusion criteria were articles containing information regarding social media utility in pathology or laboratory medicine and related articles that mentioned specific hashtags for pathology. The review process involved analyzing the social media platforms referenced, hashtags mentioned, and the presence of international authors as key endpoints of interest. 802 publications were identified; 54 studies met inclusion criteria. Subspecialties represented were considered, but none were found to be statistically significant. X/Twitter (n = 42) was the most discussed social media platform. The top hashtags discussed were #pathJC (5.1%), #dermpathJC (4.2%), #USCAP2016 (3.4%), and #PathBoards (3.4%). Analysis of these articles provides insights into current trends, including the social media platforms referenced, hashtags used, and involvement of international authors. This review will contribute to a deeper understanding of the role and impact of social media in these fields, highlighting opportunities and challenges for future research and practice in pathology and lab medicine.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,043
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,043
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0060,006
Bibliométrie0,0130,015
Études des sciences et des technologies0,0010,001
Communication savante0,0030,003
Science ouverte0,0020,002
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,203
Tête enseignante GPT0,514
Écart entre enseignants0,311 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademic PathologyMême sujetSocial Media in Health EducationTravaux en français237 207