Bibliographic record
Abstract
The need to train subspecialists in neurology in Peru Jorge G. Burneo 1 En 2010 se publicó que existían 254 neurólogos en el Perú (1).Esta información fue obtenida del Colegio Médico del Perú.Si bien no todos los médicos que practican neurología en el país están registrados como especialistas, este estudio nos dio una idea del número de galenos que lo son.Como era de esperarse, la mayoría estaba concentrada en Lima (72,8 %), con regiones sin neurólogos, como San Martín, Amazonas, Ucayali, Tumbes, Huancavelica, Ayacucho, Apurímac y Madre de Dios.Esta situación ha cambiado significativamente.El mismo Colegio reportó en su página web que hay actualmente 887 neurólogos en el país, y si bien existe ahora una mejor distribución territorial, la mayoría de ellos labora en la capital (2).Con el pasar de los años, la población peruana se ha incrementado, y con ella también la expectativa de vida.Según la Organización Mundial de la Salud (3), se espera que la población del Perú sea cerca de 40 millones en el año 2050, de los cuales un porcentaje significativo serán mayores de 60 años.Este incremento en la población mayor traerá consigo un aumento en desórdenes neurológicos comunes en este grupo etario, como demencia, enfermedad de Parkinson, ataques cerebrovasculares y otras enfermedades neurodegenerativas.Asimismo, con los avances en la medicina, la sobrevida de los recién nacidos continuará incrementándose, así como también las enfermedades neurológicas propias de la edad.Si bien es imperativo que haya presencia de neurólogos en todos los rincones del país, es también importante que existan centros en ciertas partes clave del territorio peruano, con grupos de neurólogos que tengan un entrenamiento más capacitado en ciertas enfermedades neurológicas, es decir, que estén subespecializados.Lamentablemente, una vez graduados, los neurólogos peruanos no tienen la oportunidad de obtener un entrenamiento subespecializado de manera formal, lo que en países del hemisferio norte se conoce como fellowships.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.031 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.005 | 0.007 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".