An innovative virtual fellowship leveraging global and regional mentorship to foster pediatric neuro-oncologists in low/middle-income countries
Notice bibliographique
Résumé
Abstract: BackgroundMost children with central nervous system (CNS) tumors reside in low- and middle-income countries (LMICs), with limited availability of trained pediatric neuro-oncologists. Methods: Using a series of structured interviews of physicians who had served as global mentors or mentees in pediatric oncology, we identified mentorship, leadership, and clinical training as key components necessary to virtually train pediatric oncologists in LMICs to become leading pediatric neuro-oncologists while they remain in their home countries. Thus, the St Jude Global Virtual Pediatric Neuro-oncology Fellowship (VPNOF) was designed to incorporate mentorship with global and loco-regional mentors to aid in each fellow's career and institutional goal setting and clinical training involving virtual tumor boards and didactics and ad-hoc case discussions, enabling fellows to manage patients at their home institution. Fellows traveled to their mentors' institutions twice for four-week clinical rotations. Results: In 2022 and 2023, eleven fellows were selected, representing 10 LMICs. The 2-year fellowship led to the establishment of multi-disciplinary approaches, increased patient volume, increased use of evidence-based practices, 33 abstract presentations, and publication of four journal articles. Conclusions: The VPNOF is an innovative approach leveraging global mentorship to train pediatric oncologists in resource-limited settings to become pediatric neuro-oncologists, which has led to the successful implementation of new practice paradigms to improve the quality of care for children with CNS tumors in LMICs.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 ».