The role of morbidity and mortality rounds in medical education: a scoping review
Notice bibliographique
Résumé
CONTEXT: There is increasing focus on how health care professionals can be trained effectively in quality improvement and patient safety principles. The morbidity and mortality round (MMR) has often been used as a tool with which to examine and teach care quality, yet little is known of its implementation and educational outcomes. OBJECTIVES: The objectives of this scoping review are to examine and summarise the literature on how the MMR is designed and delivered, and to identify how it is evaluated for effectiveness in addressing medical education outcomes. METHODS: A literature search of the PubMed, MEDLINE, PsycInfo and Cochrane Library databases was conducted for articles published from 1980 to 1 June 2016. Publications in English describing the design, implementation and evaluation of MMRs were included. A total of 67 studies were identified, including eight survey-based studies, four literature reviews, one ethnographic study, three opinion papers, two qualitative observation studies and 49 case studies of education programmes with or without formal evaluation. Study outcomes were categorised using Donald Moore's framework for the evaluation of continuing medical education (CME). RESULTS: There is much heterogeneity within the literature regarding the implementation, delivery and goals of the MMR. Common design components included explicit programme goals and objectives, the case selection process, case presentation models and some form of case analysis. Evaluation of CME outcomes for MMR were mainly limited to learner participation, satisfaction and self-assessed changes in knowledge. CONCLUSIONS: The MMR is widely utilised as an educational tool to promote medical education, patient safety and quality improvement. Although evidence to guide the design and implementation of the MMR to achieve measurable CME outcomes remains limited, there are components associated with positive improvements to learning and performance outcomes.
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 | 0,026 | 0,103 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,026 | 0,023 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; 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 ».