Evaluation of an online journal club–style course on evidence-based surgery for trainees of the College of Surgeons of East, Central and Southern Africa
Notice bibliographique
Résumé
Background Evidence-based surgical practice is key to optimizing patient care. Surgeons need critical appraisal skills to apply the best evidence, so formal training in evidence-based surgery (EBS) is increasingly a part of postgraduate surgical education. Surgeons in Africa must apply research to their unique patient populations, local practices, and limited healthcare resources. To meet this need, partners in Canada and the United Kingdom collaborated with the College of Surgeons of East, Central and Southern Africa (COSECSA) to offer the Surgery in Africa Journal Club (SIAJC) as an online course for COSECSA trainees. We evaluated the participation, satisfaction, and knowledge gained by SIAJC participants over its initial 2 years. Methods Knowledge was measured by comparing precourse with postcourse test scores using validated multiple-choice questions. Scores were compared using a paired-samples t-test. Trainees gave anonymous feedback on the course, and responses were grouped into themes and analysed. Results After exclusions, there were 282 postgraduate surgical trainees who completed the SIAJC precourse test in 2015 and 2016. Postcourse tests were completed by 95 of these 282 trainees (33.7%). EBS knowledge increased significantly, with a mean postcourse test score of 20±5.28 out of 30, vs 15±3.62 out of 30 on the precourse test (t=−10.1, df=110, P<0.001). Trainees reported enthusiasm for the course, improved knowledge of best practices, empowerment to make better clinical decisions, and concerns that EBS would be expensive or conflict with local expert opinion. For some participants, poor Internet access was a barrier to accessing course materials. Conclusions The SIAJC effectively taught EBS-related material, but the course had a high attrition rate and has been difficult to sustain because of its dependence on external faculty. A blended model using course materials for local face-to-face journal clubs led by local EBS champions may be the best long-term model to improve EBS skills and practice in the COSECSA region.
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 | 0,010 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».