MétaCan
Menu
Retour à la cohorte
Enregistrement W2104889028 · doi:10.1136/bmjqs-2012-001537

Do you have to re-examine to reconsider your diagnosis? Checklists and cardiac exam

2013· article· en· W2104889028 sur OpenAlexaff
Matthew Sibbald, Anique B. H. de Bruin, Rodrigo B. Cavalcanti, Jeroen J. G. van Merriënboer

Notice bibliographique

RevueBMJ Quality & Safety · 2013
Typearticle
Langueen
DomaineMedicine
ThématiqueClinical Reasoning and Diagnostic Skills
Établissements canadiensUniversity of TorontoUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésMedicineMedical educationMedical physicsData scienceComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Few studies have investigated whether clinicians can use checklists to verify their diagnostic decisions. Checklists may improve accuracy by prompting clinicians to reconsider or recollect information but might impair decision making by adding to clinicians' cognitive load. This study assessed whether checklists improve cardiac exam diagnostic accuracy, and whether this benefit is dependent on collecting additional information. METHODS: 191 internal medicine residents examined a cardiopulmonary simulator. They provided a diagnosis, subjective rating of certainty, and key findings before and after using a checklist. Residents were randomised; half were allowed access to the simulator and half were prohibited access to the simulator while using the checklist. Residents rated their cognitive load in each step: prechecklist diagnosis, checklist use and postchecklist diagnosis. RESULT: Verifying with a checklist resulted in improved diagnostic accuracy; 88 residents (46%) made the correct diagnosis before using the checklist compared with 97 (51%) afterwards, p=0.04. The benefit of checklist use was restricted to residents allowed to re-examine the simulator (10 changed to correct diagnosis and one to an incorrect diagnosis) whereas no net benefit was seen among residents unable to re-examine the simulator (two changed to a correct diagnosis and two to an incorrect diagnosis, p=0.03). Those able to re-examine the simulator were slightly more confident after checklist use, whereas those unable to re-examine were slightly less confident after checklist use (p=0.01). The opportunity to re-examine the simulator had no effect on the accuracy of key findings reported. Of the three steps, checklist use was associated with the lowest cognitive load (F1,189=68 p<0.001). CONCLUSIONS: Verifying diagnostic decisions with a checklist improved diagnostic accuracy. This benefit was only seen when more information could be collected. Checklist use was not associated with increased cognitive load.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,118
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,292
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,118
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,102
Tête enseignante GPT0,430
Écart entre enseignants0,328 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations34
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMJ Quality & SafetyMême sujetClinical Reasoning and Diagnostic SkillsTravaux en français237 207