Women in cardiac surgery: a global workforce analysis
Notice bibliographique
Résumé
OBJECTIVES: Cardiac surgery remains one of the most gender-imbalanced surgical specialties. Women constitute 6-11% of the North American workforce, while other regional data are scarce. Despite the acknowledged under-representation of women in cardiac surgery globally and evidence that surgeon-patient gender concordance enhances postoperative outcomes, precise figures remain poorly defined. Herein, we provide the 1st global quantification of women cardiac surgeons (WCS) and explore correlates of workforce diversity. METHODS: The Cardiothoracic Surgery Network database was queried for cardiac surgeons within each country and cross-validated with external sources. Profile pronouns and the genderize.io application determined surgeon sex. Data were stratified by country, geographical region and national income group, and correlation analyses with socioeconomic and gender parity metrics were performed. RESULTS: Women constitute 8.0% (1178/14 651) of the international cardiac surgical workforce, with a median of 0.00 WCS per million women (interquartile range: 0.00-0.09). North America (11.4%) and Europe (10.3%) lead regional representation, while East Asia (2.9%) and the Middle East (1.7%) rank lowest. High-income countries (9.9%) have double the proportion of WCS as low- and middle-income countries (4.8%), with a notable absence among low-income countries. Female representation correlates with Gross National Income per capita (τ = 0.39), the Global Gender Gap Index (τ = 0.26) and health expenditure (τ = 0.26). CONCLUSIONS: Improving female representation in cardiac surgery is essential to advancing social justice and overall patient care. Yet, WCS remain a minority worldwide, with the most pronounced disparities in low- and middle-income countries and regions with low Gross National Income, Global Gender Gap Index and health expenditure. Confronting these inequities will require targeted mentorship efforts and addressing country-specific entry barriers, necessitating further research into the unique factors influencing women in low- and middle-income countries.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».