Computing for Medicine: Can We Prepare Medical Students for the Future?
Notice bibliographique
Résumé
PROBLEM: Technology can transform health care; future physicians need to keep pace to ensure optimal patient care. Because future doctors are poorly prepared in computer literacy, the authors designed a computer programming certificate course. This Innovation Report describes the course and findings from a qualitative study to understand the ways it prepares medical students to use computing science and technology in medicine. APPROACH: The 14-month Computing for Medicine certificate course (C4M, offered beginning in February 2016), University of Toronto, is comprised of hands-on workshops to introduce programming accompanied by homework exercises, seminars by computer science experts on the application of programming to medicine, and coding projects. Using purposive and maximal variation sampling, 17 students who completed the course were interviewed from April-May 2017. Thematic analysis was performed using an iterative constant comparison approach. OUTCOMES: Participants praised the C4M as an opportunity to achieve computer literacy-including language, syntax, and fundamental computational ideas (and their application to medicine)-and acquire or strengthen algorithmic and logical thinking skills for approaching problems. They highlighted that the course illustrated linkages between computer science and medicine. Participants acknowledged a sometimes-existent chasm between producers and users of technology in medicine, recommending two-way communication between the disciplines when developing technology for use in medicine. NEXT STEPS: We recommend that medical schools consider computer literacy an essential skill to foster future collaborative computing partnerships for improved technology use by physicians and optimal patient care. We encourage further evaluation of future iterations of the C4M and similar courses.
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 | 0,017 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,014 |
| Communication savante | 0,012 | 0,011 |
| Science ouverte | 0,001 | 0,009 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».