Can a smartphone app improve medical trainees’ knowledge of antibiotics?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: To determine whether a smartphone app, containing local bacterial resistance patterns (antibiogram) and treatment guidelines, improved knowledge of prescribing antimicrobials among medical trainees. METHODS: We conducted a prospective, controlled, pre-post study of medical trainees with access to a smartphone app (app group) containing our hospital's antibiogram and treatment guidelines compared to those without access (control group). Participants completed a survey which included a knowledge assessment test (score range, 0 [lowest possible score] to 12 [highest possible score]) at the start of the study and four weeks later. The primary outcome was change in mean knowledge assessment test scores between week 0 and week 4. Change in knowledge assessment test scores in the app group were compared to the difference in scores in the control group using multivariable linear regression. RESULTS: Sixty-two residents and senior medical students participated in the study. In a multivariable analysis controlling for sex and prior knowledge, app use was associated with a 1.1 point (95% CI: 0.10, 2.1) [β = 1.08, t(1) = 2.08, p = 0.04] higher change in knowledge score compared to the change in knowledge scores in the control group. Among those in the app group, 88% found it easy to navigate, 85% found it useful, and about one- quarter used it daily. CONCLUSIONS: An antibiogram and treatment algorithm app increased knowledge of prescribing antimicrobials in the context of local antibiotic resistance patterns. These findings reinforce the notion that smartphone apps can be a useful and innovative means of delivering medical education.
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.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle