Found in translation: the impact of familiar symptom descriptions on diagnosis in novices
Notice bibliographique
Résumé
CONTEXT: The language that patients use to communicate with doctors is quite different from the language of diagnosis. Patients may describe tiredness and swelling; doctors, fatigue and oedema. This paper addresses the process by which novices, who have learned standard medical terms for symptoms, use lay descriptions of symptoms to reach a diagnosis. Data in this paper indicate that the familiarity of the language used to describe symptoms influences diagnosis in novices and diagnosis does not, therefore, involve a simple translation into standard terms that are the basis of diagnostic decision. METHODS: A total of 24 undergraduate students were trained to diagnose 4 pseudo-psychiatric disorders presented in written vignettes. Participants were tested on cases that contained 2 equally probable diagnoses, in 1 of which the symptoms were expressed using previously seen descriptions. A deviation from 50:50 in reported diagnostic probabilities was expected if the familiar symptom descriptions biased diagnostic decisions. Twelve participants were tested immediately after training and 12 after a 24-hour delay. RESULTS: Participants assigned greater diagnostic probability to the diagnosis supported by the familiar feature descriptions (F[1.242] = 19.35, P < 0.001, effect size = 0.40) on both immediate (52% versus 41%) and delayed (51% versus 38%) testing. DISCUSSION: The findings indicate that diagnosis is not simply based on a process of translating patient descriptions of symptoms to standard medical labels for those symptoms, which are then used to make a diagnosis. Familiarity of symptom description has an effect on diagnosis and therefore has implications for medical education, and for electronic decision support systems.
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 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».