To Think Is Good: Querying an Initial Hypothesis Reduces Diagnostic Error in Medical Students
Notice bibliographique
Résumé
PURPOSE: Most diagnostic errors involve faulty diagnostic reasoning. Consequently, the authors assessed the effect of querying initial hypotheses on diagnostic performance. METHOD: In 2007, the authors randomly assigned 67 first-year medical students from the University of Calgary to two groups and asked them to diagnose eight common problems. The authors presented the same primary data to both groups and asked students for their initial diagnosis. Then, after presenting secondary data that were either discordant or concordant with the primary data, they asked students for a final diagnosis. The authors noted changes in students' diagnoses and the accuracy of initial and final diagnoses for discordant and concordant cases. RESULTS: For concordant cases, students retained 84.2% of their initial diagnoses and were equally likely to move toward a correct as incorrect final diagnosis (6.9% versus 8.9%, P = .3); no difference existed in the accuracy of initial and final diagnoses: 85.9% versus 84.0% (P = .4). By contrast, for discordant cases, students retained only 23.3% of initial diagnoses, change was almost invariably from incorrect to correct (76.3% versus 0.4%, P < .001), and final diagnoses were more accurate than initial diagnoses: 80.7% versus 4.8% (P < .001). Overall, no difference existed in the accuracy of final diagnoses for concordant and discordant cases (P = .18). CONCLUSIONS: These data suggest that querying an initial diagnostic hypothesis does not harm a correct diagnosis but instead allows students to rectify an incorrect diagnosis. Whether querying initial diagnoses reduces diagnostic error in clinical practice remains unknown.
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 | 0,030 | 0,304 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».