MétaCan
Menu
← Retour à la cohorte
Enregistrement W7033286384

Preparedness for Clinical Trials in Medical Oncology Subspecialty Training in Canada - A National, Bi-Lingual Questionnaire

2022· dissertation· en· W7033286384 sur OpenAlexaboutno aff

Notice bibliographique

RevueMacSphere (McMaster University) · 2022
Typedissertation
Langueen
DomainePhysics and Astronomy
ThématiquePulsars and Gravitational Waves Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSubspecialtyClinical trialPreparednessCompetence (human resources)Clinical OncologyMEDLINE
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Background: There is no standardized approach to clinical trial education for Canadian medical oncology subspecialty training. Canadian medical oncology subspecialty training programs have transitioned to a competency by design (CBD) educational framework. This study aims to determine whether current education practices in medical oncology subspecialty training programs in Canada prepare medical oncology trainees for participating in clinical trials as an investigator. Methods: A national, online, bi-lingual questionnaire to understand exposure to clinical trials and general research in training, self-perceived competence, preparedness, and willingness to participate in clinical trials was conducted. Participants included medical oncology resident trainees and fellow trainees and new-to-practice physicians who have practiced in medical oncology for less than 5 years. All participants had to complete a medical oncology subspecialty training program in Canada. Data were collected from November 2021 to February 2022. Results are presented using descriptive statistics. Results: Out of the 41 respondents (response rate: 15%), most were new physicians (41%), from Ontario (61%). 73% did not have formal training on how to participate in clinical trials as an investigator. 65% rated their competence in clinical trials as fair/poor and 74% rated their preparedness for clinical trials as fair/poor after training. 79% were willing to participate as an investigator in clinical trials after training. A correlation analysis revealed structured or in-clinic teaching in clinical trials trended towards improved self-evaluations of competence, preparedness, and willingness to participate in clinical trials (p > 0.05). Most respondents (56%) sought additional clinical trial education after training. Conclusion: Training in clinical trials is highly variable. After training, most trainees do not feel competent or prepared to participate in clinical trials as an investigator, but they have a willingness to pursue clinical trials. Further assessment into how to produce competent medical oncology clinical trial investigators is warranted.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,991
Score d'incertitude au seuil0,759

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,087
Tête enseignante GPT0,431
Écart entre enseignants0,344 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeObservationnel
DomaineMéthodes
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMacSphere (McMaster University)→Même sujetPulsars and Gravitational Waves Research→Travaux en français237 207→