Improving Internal Medicine Residents’ Colorectal Cancer Screening Knowledge Using a Smartphone App: Pilot Study
Notice bibliographique
Résumé
BACKGROUND: Colorectal cancer (CRC) is the third most common type of cancer and the second leading cause of cancer death in the United States. About one in three adults in the United States is not getting the CRC screening as recommended. Internal medicine residents are deficient in CRC screening knowledge. OBJECTIVE: The objective of our study was to assess the improvement in internal medicine residents' CRC screening knowledge via a pilot approach using a smartphone app. METHODS: We designed a questionnaire based on the CRC screening guidelines of the American Cancer Society, American College of Gastroenterology, and US Preventive Services Task Force. We emailed the questionnaire via a SurveyMonkey link to all the residents of an internal medicine department to assess their knowledge of CRC screening guidelines. Then we designed an educational intervention in the form of a smartphone app containing all the knowledge about the CRC screening guidelines. The residents were introduced to the app and asked to download it onto their smartphones. We repeated the survey to test for changes in the residents' knowledge after publication of the smartphone app and compared the responses with the previous survey. We applied the Pearson chi-square test and the Fisher exact test to look for statistical significance. RESULTS: A total of 50 residents completed the first survey and 41 completed the second survey after publication of the app. Areas of CRC screening that showed statistically significant improvement (P<.05) were age at which CRC screening was started in African Americans, preventive tests being ordered first, identification of CRC screening tests, identification of preventive and detection methods, following up positive tests with colonoscopy, follow-up after colonoscopy findings, and CRC surveillance in diseases. CONCLUSIONS: In this modern era of smartphones and gadgets, developing a smartphone-based app or educational tool is a novel idea and can help improve residents' knowledge about CRC screening.
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 | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 | 0,001 |
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 ».