Teaching Chronic Pain in the Family Medicine Clerkship: Influences of Experience and Beliefs About Treatment Effectiveness: A CERA Study.
Notice bibliographique
Résumé
BACKGROUND: Chronic pain is a common and important disease state in North America, but many medical students and practicing physicians feel poorly prepared to treat this condition. METHODS: Data were collected via the 2014 CERA Family Medicine Clerkship Director survey, which was electronically sent to 121 US and 16 Canadian clerkship directors. The authors sought to determine the quantity of chronic pain management instruction included in clerkship curricula and any characteristics of clerkship directors that correlated with the teaching of various pain topics. Survey items included the total amount of time spent teaching about chronic pain, various subtopics addressed, and personal characteristics of clerkship directors (years as clerkship director, number of years since graduation, amount of pain-related CME taken yearly, confidence in caring for patients with chronic pain, and belief in efficacy of various treatments). RESULTS: The response rate was 91%. Half of respondents indicated that they do not teach about chronic pain during the clerkship at all. The mean number of minutes spent teaching about chronic pain during the family medicine clerkship was 48 minutes (SD=65.). The majority of clerkship directors felt confident about their ability to treat chronic pain, and there was a positive correlation between confidence and time teaching about chronic pain during the family medicine clerkship. Confidence in treating chronic pain patients also correlated with the likelihood of covering several specific pain subtopics, including pain assessment, documentation skills, non-pharmacologic treatment, treatment with opioids, and treatment with non-opioids. CONCLUSIONS: Chronic pain management is currently taught in only about half of family medicine clerkships. Confidence in caring for chronic pain patients is the only characteristic of clerkship directors that predicts whether the subject of chronic pain will be taught within the family medicine clerkship.
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 | 0,003 | 0,012 |
| 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 | 0,002 | 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) | 0,003 | 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 ».