A retrospective analysis of specialty match rate and gender trends in Canadian residency applications (2019–2024)
Notice bibliographique
Résumé
BACKGROUND: This study examines Canadian medical graduate (CMG) match outcomes from 2019 to 2024, focusing on applicant numbers, gender distribution, and match success. METHODS: A retrospective analysis was conducted using publicly available data from the CaRMS match reports. Specialty-specific application numbers and first-choice match rates were extracted. Match rates were calculated as the number of matriculates divided by the number of applicants, while competitiveness was determined by the number of first-choice applications per available position. Specialties were categorized into clinical, surgical, and diagnostic disciplines for trend analysis. RESULTS: From 2019 to 2024, CMG applicants decreased slightly from 5380 to 5346, while the total quota increased from 2800 to 2918. Family medicine saw a significant decrease in applications (r² = -0.849, p = 0.03), while anesthesiology had a significant increase (r² = 0.950, p < 0.01). Diagnostic disciplines like neuropathology decreased significantly (r² = -0.887, p = 0.02), while diagnostic radiology increased (r² = 0.842, p = 0.03). Surgical disciplines, including plastic surgery, had steady increases, with vascular surgery doubling its applications by 2023. Female applicants increased in clinical and surgical specialties but decreased in diagnostics. Match rates improved in family medicine (r2 = 0.964, p < 0.01), medical genetics (r2 = 0.817, p = 0.04), psychiatry (r2 = 0.839, p = 0.04), public health (r2 = 0.939, p < 0.01), and diagnostic and clinical pathology (r2 = 0.850, p = 0.03), while diagnostic radiology (r2 = -0.825, p = 0.04) declined. Female applicants had higher match rates in ophthalmology and pediatric neurology, while males led in orthopedic surgery. CONCLUSION: Shifts in Canadian residency match trends from 2019 to 2024 may reflect the impact of the COVID-19 pandemic and evolving societal priorities. Ongoing monitoring of these trends is essential to ensure alignment with healthcare needs.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».