Back to the future: Can conversation analysis be used to judge physicians’ malpractice history?
Notice bibliographique
Résumé
In its monograph Crossing the Quality Chasm, the Institute of Medicine asserted that 44,000 to 98,000 lives are lost every year due to avoidable medical errors, more than 80% of which involved breakdowns in communication. Medical malpractice claims also involve errors that cause harm, including death. Reasons for malpractice claims have been investigated using variables such as age, race, country of origin, and gender none of which are predictive. One promising area that has not systematically been studied is the role of face-to-face communication in malpractice claims. To better understand this phenomenon, we tape-recorded 125 doctors (divided equally between surgeons and primary care practitioners), each with 10 consecutive patients. Half of these doctors had been sued at least twice, while the rest had never been sued. We then did a qualitative analysis based on a single taped encounter per doctor using conversation analysis (CA), in order to try to identify which doctors had claims or no-claims histories. While we were able to identify two out of every three no-claims primary care doctors, we were much less successful in identifying those with claims. Surprisingly, in the surgeon group, predictions based on CA were worse than by chance probability. We discuss the implications of our findings for the field of outcome-based communication analysis.
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 | 0,131 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,008 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,007 |
| Communication savante | 0,008 | 0,013 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».