Choosing Wisely for Medical Education: Six Things Medical Students and Trainees Should Question
Notice bibliographique
Résumé
PROBLEM: Physician behaviors that promote overuse of health care resources develop early in training, and the medical education environment helps foster such behaviors. The authors describe the development of a Choosing Wisely list for medical students aimed at helping to curb overuse. APPROACH: The list was developed in 2015 by Choosing Wisely Canada (CWC) in partnership with the Canadian Federation of Medical Students and the Fédération médicale étudiante du Québec, which together represent all medical students in Canada. CWC convened a student-led taskforce to develop recommendations targeting medical student behaviors with respect to resource stewardship practices. Students at all 17 Canadian medical schools were consulted via an online questionnaire to solicit feedback on a list of 10 candidate recommendations. The taskforce used this student feedback in finalizing the list. OUTCOMES: The final list of "Six Things That Medical Students and Trainees Should Question" highlights both behaviors students should avoid (e.g., "Don't suggest ordering the most invasive test before considering other less invasive options") and behaviors related to aspects of medical training that may promote overuse, such as the hierarchical nature of clinical supervision (e.g., "Don't hesitate to ask for clarification on tests, treatments, or procedures that you believe may be ordered inappropriately"). Based on student requests for illustrative examples, clinical vignettes were developed. NEXT STEPS: This list highlights medical student behaviors and aspects of the academic environment that drive overuse. It is also relevant to faculty, whose behaviors and supervision practices influence trainees.
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 | 0,022 | 0,091 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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; 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 ».