Understanding Clinical Uncertainty
Notice bibliographique
Résumé
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 distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».