Am I Right When I Am Sure? Data Consistency Influences the Relationship Between Diagnostic Accuracy and Certainty
Notice bibliographique
Résumé
PURPOSE: When gauging diagnostic accuracy cognitive biases may lead to inaccurate estimates of certainty, predisposing clinicians to diagnostic errors. This study explored the relationship between diagnostic accuracy and measures of certainty for diagnoses based on consistent or inconsistent information. METHOD: The authors analyzed three experiments among 180 to 190 postgraduate trainees performing cardiac physical diagnoses using a simulator from 2010 to 2012. Each asked participants to assess diagnostic certainty. One experiment used a seven-point certainty scale and provided only simulated physical findings. Two assessed certainty continuously (probability 1%-100%) and included cases with inconsistent clinical information in addition to simulated physical findings. Relationships between certainty and accuracy were explored through descriptive statistics and nonparametric tests. RESULTS: Measures of certainty ranged widely (between 2 and 7, and 5%-100%). Relationships between accuracy and certainty varied depending on information consistency. In experiments providing only simulated findings, or consistent clinical data, diagnostic accuracy was associated with higher certainty (median 90% versus 75%, and 5/7 versus 4/7, both P < .001). Studies providing inconsistent data generated similar certainty among participants regardless of accuracy (median 75% versus 75%, P = .36; and 80% versus 85%, P = .60). CONCLUSIONS: Diagnostic accuracy was moderately associated with higher certainty only when clinical data were consistent. This correlation disappeared when incon sistent data were provided, possi bly reflecting changes in reasoning strategies among diagnostically success ful trainees. The relationship between certainty and diagnostic accuracy is context dependent. Certainty is an unreliable surrogate for diagnostic accuracy.
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 | 0,558 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».