Using stroke thrombolysis to describe the role of repetition in learning a cognitive skill
Notice bibliographique
Résumé
OBJECTIVE: To empirically describe how independent physicians develop a new cognitive clinical skill through repetition using the initiation of a stroke thrombolysis programme as a model. METHODS: This was a retrospective cohort study from April 2009 to March 2013. The setting was a single-centre, Canadian tertiary-care community hospital. The participants were 52 physicians with no prior formal training in stroke thrombolysis assuming a new role of being front-line hyperacute stroke physicians. The main outcome measures were: time needed to accrue experience, door-to-needle time (DTN), with achievement of expertise defined as an average of ≤ 60 minutes, computed tomography (CT)-to-needle time (CTN), with achievement of expertise defined as an average of ≤ 35 minutes, usage of an outside expert stroke telemedicine service, and complication rates with intracranial haemorrhage (ICH). RESULTS: Seven hundred and fifteen cases of hyperacute stroke were seen over the 4-year study period. On average, a physician saw 0.025 cases per hour of code stroke coverage provided; only seven (13.5%) accrued more than 20 code stroke cases and only six (11.6%) ordered thrombolysis more than 10 times. By regression analysis, the average first DTN was 81.0 minutes (95% confidence interval [CI], 77.1-84.9 minutes) and incrementally improved linearly by 0.259 minutes per case seen (95% CI, 0.182-0.337 minutes per case). An estimated 71 cases needed to be seen for the average physician to achieve expertise. Results using CTN were highly similar. Overall, physicians used the external stroke telemedicine providers 23.2% of the time for their first five cases, a rate that decreased to about 5% by the 45th case. Over time, ICH rates were kept at expected benchmarks. CONCLUSIONS: Accruing sufficient experience of a new cognitive clinical skill can be challenging for independent physicians, with expertise gradually emerging in a largely linear fashion only after much repetition.
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 | 0,004 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».