Identifying competencies required for medication prescribing for general practice residents: a nominal group technique study
Notice bibliographique
Résumé
BACKGROUND: Teaching of medication prescribing is a specific challenge in general practice curriculum. The aim of this study was to identify and rank the competencies required for prescribing medication for general practice residents in France. METHODS: Qualitative consensus study using the nominal group technique. We invited different stakeholders of the general practice curriculum and medication use in primary care to a series of meetings. The nominal group technique allowed for the quick development of a list of consensual and ranked answers to the following question: "At the end of their general practice curriculum, in terms of medication prescribing, what should residents be able to do?". RESULTS: Four meetings were held that involved a total of 31 participants, enabling the creation of a final list of 29 ranked items, grouped in 4 domains. The four domains identified were 'pharmacology', 'regulatory standards', 'therapeutics', and 'communication (both with patients and healthcare professionals)'. Overall, the five items the most highly valued across the four meetings were: 'write a legible and understandable prescription', 'identify specific populations', 'prescribe the doses and durations following the indication', 'explain a lack of medication prescription to the patient', 'decline inappropriate medication request'. The 'communication skills' domain was the domain with the highest number of items (10 items), and with the most highly-valued items. CONCLUSION: The study results suggest a need for developing general practice residents' communication skills regarding medication prescribing.
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 | 0,005 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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 ».