TRASH-CAN: An Approach to Promote Planetary Health Education and Research for Health Care Trainees
Notice bibliographique
Résumé
Background As future health care leaders who work and train in diverse clinical settings, resident physicians are uniquely positioned to advance sustainable health care systems. However, residents are insufficiently educated about health care sustainability and given limited opportunities to engage in planetary health. Objective This article introduces and reports on the early outcomes of the Trainee-Led Research and Audit for Sustainability in Healthcare Canada (TRASH-CAN), a resident-driven initiative launched in 2023 with the aim of reducing Canadian health care’s environmental impact. Methods In 2023-2024, we developed a web-based platform that facilitates trainee-led action to support the promotion of sustainability literature, collaboration with national and international institutions, and execution of quality improvement projects to reduce health care waste under the 3 brand pillars of Learning, Leadership, and Delivery. We have promoted TRASH-CAN and its website through conference presentations, social media, mailing lists, and word of mouth. These activities support our goals of engaging trainees, pairing them with mentors, and initiating a variety of quality improvement projects focused on planetary health. Results In its first year of operation, TRASH-CAN has developed a fully functional website hosting intake forms and detailing ongoing projects and opportunities. We have enrolled 15 faculty mentors and 16 residents and medical students, with ongoing projects such as transitioning hospitals to reusable alternatives and optimizing procedural custom operating room equipment packs. Conclusions TRASH-CAN’s inaugural year has led to the initiation of 11 sustainability projects and the enrollment of 31 faculty mentors and trainees.
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 | 0,003 | 0,000 |
| 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 ».