Precepting in the age of electronic medical records: A primer for clinical teachers
Notice bibliographique
Résumé
Background The use of Electronic Medical Records (EMR) is increasingly common. Little is known about the influence of EMR on resident learning, and little guidance is available for clinical teachers in the EMR setting. Objectives This study aims to examine the impact of EMR on Memorial University of Newfoundland (MUN) Family Medicine resident learning and to develop a teaching primer for clinical teachers. Methods Impact of EMR on resident learning was evaluated using a web survey and focus group discussions. Introductory letters with consent form and link to web survey were emailed to all MUN Family Medicine residents and Academic Family Medicine faculty preceptors. To achieve desirable response rate the web survey was sent three times over the 20-week survey period. Response frequencies were descriptively analyzed. Concordance and discordance between faculty and residents were evaluated. Six residents and four faculty preceptors participated in the focus group discussions. FGDs were analyzed using thematic analysis. Recurrent themes arising from the web survey and focus groups were compiled with results from the literature review to form a primer for clinical teaching. Results 34 of the 43 eligible residents (79%) and 16 of the 17 eligible faculty (95%) completed the survey. Approximately 70% of residents and 69% of faculty agreed that EMR generally improves resident learning. Impairment of resident communication with patients was rated as the most frequent deficit (50% and 36% respectively. rho= -0.25). The FGDs affirmed the web survey results that EMR generally improves resident learning and preceptor feedback, but noted that improvements can be made using targeted communication training, avoiding EMR distraction when giving feedback, and avoidance of resident over-reliance on EMR templates and prescribing functions. Data is collated with a review of the literature in the form of a clinical primer to guide clinical teachers. Conclusions The rise of EMR has subtly changed the clinical supervision and instruction of medical learners. The results of this study contribute to the development of teaching strategies for enhancement of resident learning in the EMR setting. Targeted training for clinical teachers in the EMR setting may be of benefit to teachers and learners.
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 | 0,046 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,007 |
| Communication savante | 0,010 | 0,018 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,009 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».