Assessing Student Attitudes Regarding Cost-Consciousness in Medical Education
Notice bibliographique
Résumé
<ns4:p>This article was migrated. The article was marked as recommended. Purpose: The purpose of this study was to compare attitudes regarding cost-consciousness between student populations at two medical schools in the United States and Canada. Method: We conducted a cross-sectional survey of students at Harvard Medical School and University of Toronto. We performed chi-square analyses comparing responses from the two institutions. Results: Response rates were 48% (n=162) and 45% (n=228) at Harvard and the University of Toronto, respectively. At both institutions, >96% of students agreed clinicians at all stages of training should be familiar with cost-conscious decision-making, 80% agreed physicians are responsible for discussing healthcare costs with patients, and over 80% felt they had too little education on the topic in medical school. Students differed in opinions about the extent to which patients should inquire about costs, with students at Harvard more likely to endorse this opinion compared with those from Toronto (51% vs 28%, respectively), and differed over whether cost-consciousness led to rationing of healthcare (Harvard 30% vs Toronto 51%). Fewer than 10% of all students expressed concerns that incorporating costs into care was unethical. Overall, 85% of students from both countries would like more formal teaching on this topic. Discussion: Students from both schools strongly endorsed a need to learn more about cost-conscious decision-making. Findings suggest students in both systems can benefit from learning similar core concepts related to high-value, cost-conscious care, and teaching in this topic can be customized to reflect specific differences in expectations and practices in the two healthcare systems.</ns4:p>
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 | 0,010 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».