P.131 Mapping the neurointerventional radiology landscape in Canada: trends in growth, accessibility, and training opportunities
Notice bibliographique
Résumé
Background: Neurointerventional radiology (NIR) is a growing field, offering minimally invasive treatments for cerebrovascular conditions like ischemic stroke. However, no comprehensive analysis of the current NIR landscape in Canada exists. This study aims to evaluate the NIR landscape through analysis of hospital-based services and training programs. Methods: Publicly available hospital data, fellowship programs, and national workforce statistics were analyzed to assess the expansion of NIR centers, practitioners, and services in Canada. The analysis focused on temporal trends in geographic distributions, specialists, and training programs. Results: From 2022 to 2024, the number of NIR centers increased by 20% (from 25 to 30), with new sites established in British Columbia, Quebec, and Newfoundland. Seven accredited RCPSC NIR training programs were identified, with 2 new programs expected to begin training fellows by 2030. Annual trainee enrollment also increased by about 10% per year, with over 50% being from radiology backgrounds. Endovascular thrombectomy, the most common NIR procedure, has seen an annual volume increase of approximately 13% since 2019. Conclusions: NIR is experiencing substantial growth in Canada across centers and training sites, aligning with public health goals. However, continued investment in infrastructure and workforce development is required to ensure equitable access to life-saving neurointerventional therapies 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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,010 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».