MétaCan
Menu
Retour à la cohorte
Enregistrement W2314875266 · doi:10.1097/acm.0b013e3182a3116f

Understanding Clinical Uncertainty

2013· article· en· W2314875266 sur OpenAlexafffund
Sayra Cristancho, Tavis Apramian, Meredith Vanstone, Lorelei Lingard, Michael Ott, Richard J. Novick

Notice bibliographique

RevueAcademic Medicine · 2013
Typearticle
Langueen
DomaineMedicine
ThématiqueClinical Reasoning and Diagnostic Skills
Établissements canadiensWestern University
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésNoveltyAction (physics)PsychologyQualitative researchComputer scienceMedical educationManagement scienceMedicineSocial psychology

Résumé

récupéré en direct d'OpenAlex

PURPOSE: In clinical settings, uncertainty is part of everyday practice. However, a lack of insight into how experts approach uncertainty limits the ability to explicitly teach and assess it in training. This study explored how experienced surgeons perceived and handled uncertainty during challenging intraoperative situations, to develop a theoretical language supporting both education and research. METHOD: This constructivist qualitative study included observations and interviews during 26 surgical cases. The cases, drawn from seven staff surgeons from various specialties at a medical school, were purposively sampled after being preidentified by the surgeon as "likely challenging." The authors combined template and inductive analyses. In template analysis, an existing theory was used to identify instances of uncertainty in the dataset. Inductive analysis was used to elaborate and refine the concepts. RESULTS: Template analysis confirmed that existing theoretical concepts are relevant to surgery. However, inductive analysis revealed additional concepts and positioned existing concepts within new relationships. Two new theoretical themes were recognizing uncertainty and responding to uncertainty, each with corresponding subthemes. Factors such as the novelty of the situation, difficulty in predicting the outcome, and difficulty deciding the course of action mainly characterize an uncertain situation in surgery according to the participants. CONCLUSIONS: The results offer a refined language for conceptualizing uncertainty in surgery. Although further research could elaborate and test the explanatory power of this language, the authors anticipate that it has implications both for current discussions of surgical safety and for future development of explicit training for effective management of surgical uncertainty.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,024
score de la tête « metaresearch » (Gemma)0,074
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,129

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0240,074
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,002
Études des sciences et des technologies0,0050,030
Communication savante0,0120,017
Science ouverte0,0030,011
Intégrité de la recherche0,0050,006
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,299
Tête enseignante GPT0,452
Écart entre enseignants0,153 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations68
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAcademic MedicineMême sujetClinical Reasoning and Diagnostic SkillsTravaux en français237 207