Gender Diversity in Canadian Surgical Residency
Notice bibliographique
Résumé
Background: Diversity of gender representation in surgery is known to positively influence patient outcomes and predict career trajectories for female trainees. This study aims to identify the current and recent past state of gender diversity amongst trainees entering Canadian surgical residency programs. Methods: Data were sourced from the Canadian Post-M.D. Education Registry (CAPER) and the Canadian Resident Matching Service (CaRMs) for ten surgical specialties. CAPER data include PGY-1 trainees in all surgical specialties for the academic years 2012–2013 to 2021–2022. CaRMs provided data of total applicants and matched applicants for Canadian Medical Graduates (CMGs) in the match years 2013–2022. Results: From 2012–2022, there were 4011 PGY-1 surgical residents across Canada (50.4% female, 49.6% male). The surgical specialties with the most female representation were obstetrics/gynecology (82.1–91.9%), general surgery (40.2–70.7%), and plastic surgery (33.3–55.6%). The surgical specialties with the least female representation were neurosurgery (18.7–35.3%), urology (11.8–42%), and orthopedic surgery (17.5–38.5%). The number of female applicants to surgical programs has increased since 2013 and outnumbers male applicants each subsequent year. The match rate to surgical programs for female applicants has varied by year, with the highest being 63.9% in 2014 and the lowest in 2018 at 48.8%. Conclusions: Our study shows promising trends that reflect increased representation of female trainees. However, while the number of female trainees in general surgery and obstetrics/gynecology programs matches and even exceeds Canadian demographic proportions, this is not true for most other surgical specialties. This calls for continued efforts to improve and retain gender equity across surgical specialties in Canada.
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 | 0,001 | 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) | 0,002 | 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 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 ».