Point‐of‐care Resource Use in the Emergency Department: A Developmental Model
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
BACKGROUND: Technologic advances, free open-access medical education (FOAM or #FOAMed), and social media have increased access to clinician-oriented medical education resources and interactions at the point of care (POC); yet, how, when, and why medical providers use these resources remains unclear. To facilitate the development and design of intuitive POC resources, it is imperative that we expand our understanding of physician knowledge-seeking behavior at the POC. METHODS: Individual semistructured interviews were conducted and analyzed using a qualitative, grounded theory approach. Twelve emergency medicine providers (three medical students, three residents, and six attending physicians) were interviewed in person or via video chat to explore how POC resources are used in the emergency department (ED). A coding system was developed by two investigators and merged by consensus. A third investigator audited the analysis. RESULTS: A conceptual framework emerged from the data describing the four main uses of POC resources (deep-dive, advanced clinical decision making, teaching patients, and teaching learners) and how practitioners' main use varied based on medical expertise. Junior learners prioritize their own broad learning. Experienced learners and physicians prefer to 1) seek answers to specific focused clinical questions and 2) disseminate POC information to teach patients and learners, allowing them to devote more of their time to other clinical and teaching tasks. CONCLUSION: The conceptual framework describes how physician knowledge-seeking behavior using POC resources in the ED evolves predictably throughout training and practice. Knowledge of this evolution can be used to enhance POC resource design and guide bedside teaching strategies.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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