MétaCan
Menu
Retour à la cohorte
Enregistrement W2741786738 · doi:10.1111/medu.13396

Eyeballing: the use of visual appearance to diagnose ‘sick’

2017· article· en· W2741786738 sur OpenAlexafffund
Matthew Sibbald, Jonathan Sherbino, Ian Preyra, Tara Coffin-Simpson, Geoff Norman, Sandra Monteiro

Notice bibliographique

RevueMedical Education · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueClinical Reasoning and Diagnostic Skills
Établissements canadiensSt. Joseph’s Healthcare HamiltonMcMaster University
Organismes subventionnairesMcMaster University
Mots-clésMedicineOptometryPsychology

Résumé

récupéré en direct d'OpenAlex

CONTEXT: Prior studies suggest that clinicians can categorise patients in an emergency room as 'sick' or 'not sick' using rapid visual assessment. The rapid nature of these decisions suggests clinicians are relying on pattern recognition or System 1 processing; however, this has not been studied experimentally. In this study, we explore the accuracy of these decisions using patient disposition (discharge, admission to ward or admission to critical care) as an objective outcome, and collect evidence to argue for the use of System 1 processing in the 'sick' or 'not sick' decision process. METHODS: Fourteen practising emergency physicians reviewed 25 videos of patients presenting to the emergency room. They were asked to predict patient disposition (discharge, admission to ward or admission to critical care) and estimate whether they were 'sick' or 'not sick' using a continuous slider on a 'sick' scale from 'not sick' (0) to 'sick' (100). We collected decision time and asked physicians to identify how they came to the decision using a continuous slider on a 'system processing' scale from 'knew immediately' (0) to 'deliberated intently' (1). RESULTS: Inter-rater reliability judging 'sick' was computed as an intraclass correlation coefficient (ICC) of 0.54. Agreement among physicians in predicting disposition was 68% with ICC of 0.44, and accuracy at predicting disposition was 55%. Physicians made their decision in an average of 10 - 11 seconds and rated 70% of their decisions as < 0.5 on the scale from 'knew immediately' (0) to 'deliberated intently' (1). CONCLUSIONS: Experienced emergency physicians are able to visually assess patients rapidly and predict disposition in a very short time, albeit with fair reliability and lower accuracy than reported previously. Subjectively, they reported that the majority of decisions were on the side of 'knew immediately', consistent with the application of System 1 processing.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,307
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,690
Score d'incertitude au seuil0,699

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,307
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,054
Tête enseignante GPT0,436
Écart entre enseignants0,382 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations31
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMedical EducationMême sujetClinical Reasoning and Diagnostic SkillsTravaux en français237 207