Teaching Medical Error Disclosure to Physicians-in-Training
Notice bibliographique
Résumé
PURPOSE: This scoping review identified published studies of error disclosure curricula targeting physicians-in-training (residents or medical students). METHOD: In 2011, the authors searched electronic databases (e.g., MEDLINE, EMBASE, ERIC) for eligible studies published between 1960 and July 2011. From the studies that met their inclusion criteria, they extracted and summarized key aspects of each curriculum (e.g., level of learner, program discipline) and educational features (e.g., curriculum design, teaching and assessment methods, and learner outcomes). RESULTS: The authors identified 21 studies that met their inclusion criteria. These studies described 19 error disclosure curricula, which were either a stand-alone educational activity, part of a larger curriculum in patient safety or communication skills, or part of simulation training. Most curricula consisted of a brief, single encounter, combining didactic lectures or small-group discussions with role-play. Fourteen studies described learners' self-reported improvements in knowledge, skills, and attitudes. Five studies used a structured assessment and reported that learners' error disclosure skills improved after completing the curriculum; however, these studies were limited by their small to medium sample size and lack of assessment of skills retention. Attempts to assess the change in learners' error disclosure behavior in the clinical context were limited. CONCLUSIONS: Studies of existing error disclosure curricula demonstrate improvements in learners' knowledge, skills, and attitudes. A greater emphasis is needed on the more rigorous assessment of skills acquisition and behavior change to determine whether formal training leads to long-term effects on learner outcomes that translate into real-world clinical practice.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; 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 ».