Does Applying Biomedical Knowledge Improve Diagnostic Performance When Solving Electrolyte Problems?
Notice bibliographique
Résumé
Introduction. If physicians apply clinical rather than biomedical knowledge when diagnosing, why do we use the basic sciences as the foundation for clinical teaching? In this study we evaluated the contribution of biomedical knowledge to diagnostic performance when solving electrolyte problems. Method. We asked 13 medical students and 19 nephrologists to solve electrolyte problems while thinking aloud, and determined biomedical knowledge application by protocol analysis. We used logistic regression to study the association between biomedical concepts, clinical experience, and performance.Results. Students and nephrologists applied a similar number of biomedical concepts per case (1.8 (±1.1) vs. 1.8 (±1.2), respectively, p = 0.8), but nephrologists were more successful (86.8% vs. 63.5%, p = 0.003). We found a significant interaction between expertise and applying biomedical concepts (p < 0.05). For students the odds of success increased significantly with applying biomedical concepts (odds ratio 4.66 [2.07, 10.48], p < 0.001), whereas for nephrologists there was only a trend towards improved performance (odds ratio 1.72 [0.94, 3.11], p = 0.07). Conclusions. Our results suggest that improving biomedical knowledge of students should improve their performance on electrolyte problems. The performance of experienced physicians may also be improved, but this requires further study before teaching recommendations can be made.
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 | 0,008 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».