MedsOnCall Pager App: A Pilot Project for Practicing Safe Clinical Decision-making
Notice bibliographique
Résumé
Errors in clinical decision-making contribute to approximately half of in-hospital adverse events. The steep learning curve when students transition to residents is particularly susceptible to increased errors. Decision-making skills are a major contributor to preparedness for residency and educators agree that decision-making should be purposefully taught and tested. Despite this, little structured assessment of decision-making currently exists. This innovation report describes the development and piloting of the MedsOnCall (MOC) Pager App, a simulated pager program designed as a learning and assessment tool for senior medical students and junior residents to practice safe clinical decision-making as they transition between these two roles. Learners are randomly "paged" by the app about a list of virtual patients. To answer, they must integrate pertinent patient information efficiently. Learners then receive a page-management question that further probes their decision-making skills by asking them to consider the urgency and their level of confidence when determining the virtual patient's needs. The pilot version of the app was successfully alpha-tested in 2016 and 2017 with twenty fourth year medical students at our institution. Subjectively, students greatly enjoyed using the MOC Pager app to practice answering pages in a safe environment. The app was then adapted for the National Cardiac Surgery Bootcamp in 2017 for use by first-year residents. With demonstrated success as a pilot project, our group aims to rebuild the app for customizable use by multidisciplinary learners anywhere in the world simultaneously. We also plan to collect validity evidence, integrate in-app feedback capability, and disseminate the app on multiple platforms.
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 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 | 0,002 | 0,304 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».