Insights From a National Survey on Gaps and Opportunities for Curriculum Improvement in Breast Imaging Education in Canadian Radiology Residency Programs
Notice bibliographique
Résumé
Objective: Radiology residents must demonstrate competence in breast imaging prior to entering practice. Breast imaging fellowship training programs have attracted fewer trainees, contributing to the ongoing shortage in the field. This survey aimed to evaluate the structure, supports, and barriers to breast imaging training in Canadian residency programs to help guide future curriculum development. Methods: Following ethical approval, a 45-question cross-sectional survey was distributed to all 16 diagnostic radiology program directors of Canadian residency programs via email using the online platform SurveyMonkey between March and May 2024. The questions covered program demographics, breast imaging and procedural experience, integration into multidisciplinary care, the impact of other learners, scheduling, and departmental leadership. Results/Discussion: Twelve (75%) program directors across 7 provinces responded. Responses revealed variability in program structures and resources. All programs provided the suggested 4 months of breast imaging training. Exposure to interpreting screening mammography was offered by 75% (9/12) of programs, however, 75% (9/12) of programs did not involve residents in multidisciplinary rounds, limiting collaborative care training. Simulation sessions for breast imaging procedures were offered in 33% (4/12) of programs. Assessment methods across programs lacked uniformity, with only 17% (2/12) of programs using post-rotation tests, and all relying on subjective evaluations. Conclusion: This study highlights the need to address disparities and enhance standardization to improve residents’ breast imaging education. Establishing clear guidelines for integration of multimodality breast imaging exposure, increasing procedural training, and providing opportunities to participate in multidisciplinary care conferences are essential for developing a more uniform and comprehensive breast imaging curriculum nationally.
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 | 0,007 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».