Conocimientos sobre genética y actitudes sobre pruebas genéticas entre los internos rotativos de medicina de la universidad de cuenca. Cuenca-Azuay, 2021
Notice bibliographique
Résumé
Antecedentes: La genética tiene una vasta aplicabilidad en la medicina. Sin embargo, los profesionales de la salud tienen pobres conocimientos sobre la materia. En este punto, la formación durante el pregrado en relación a la genética es primordial. \nObjetivo: Determinar los conocimientos sobre genética y las actitudes sobre pruebas genéticas de los Internos Rotativos de Medicina de la Universidad de Cuenca. \nMetodología: Se realizó un estudio observacional, descriptivo, de corte transversal; con una muestra de 153 Internos de Medicina. Se estudiaron los factores sociodemográficos, conocimientos sobre genética y actitudes sobre pruebas genéticas. Se aplicó la tercera versión de la Encuesta sobre Conocimientos y Actitudes en Genética. Se utilizaron porcentajes y frecuencias para las variables categóricas. Para las continuas con distribución normal, medias y desviaciones estándar. Mediana y rango intercuartílico para las que no cumplían este criterio. El análisis estadístico se realizó con IBM-SPSS v.23 y Microsoft Excel 2016. \nResultados: Se encuestó a 153 Internos. El 51,0% correspondía a la Cohorte de Septiembre 2021-Agosto 2022. El 58,2% fueron mujeres entre los 22 a 25 años (85,0%). El 75,2% tuvo un nivel de conocimiento genético medio, seguido por conocimientos bajos (15,0%) y altos (9,8%). Las actitudes de los participantes fueron adecuadas en relación a la aplicación de la genética, medicina convencional e investigación biomédica. \nConclusiones: El nivel de conocimientos sobre genética y las actitudes sobre pruebas genéticas de los Internos de Medicina de la Universidad de Cuenca fueron medios y adecuados, respectivamente.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,004 | 0,009 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».