In-Hospital Training in Addiction Medicine: A Mixed-Methods Study of Health Care Provider Benefits and Differences
Notice bibliographique
Résumé
Background : Hospital-based clinical addiction medicine training can improve knowledge of clinical care for substance-using populations. However, application of structured, self-assessment tools to evaluate differences in knowledge gained by learners who participate in such training has not yet been addressed. Methods : Participants ( n = 142) of an elective with the hospital-based Addiction Medicine Consult Team (AMCT) in Vancouver, Canada, responded to an online self-evaluation survey before and immediately after the structured elective. Areas covered included substance use screening, history taking, signs and symptoms examination, withdrawal treatment, relapse prevention, nicotine use disorders, opioid use disorders, safe prescribing, and the biology of substance use disorders. A purposefully selected sample of 18 trainees were invited to participate in qualitative interviews that elicited feedback on the rotation. Results : Of 168 invited trainees, 142 (84.5%) completed both pre- and post-rotation self-assessments between May 2015 and May 2017. Follow-up participants included medical students, residents, addiction medicine fellows, and family physicians in practice. Self-assessed knowledge of addiction medicine increased significantly post-rotation (mean difference in scores = 11.87 out of the maximum possible 63 points, standard deviation = 17.00; P < .0001). Medical students were found to have the most significant improvement in addiction knowledge (estimated mean difference = 4.43, 95% confidence interval = 0.76, 8.09; P = .018). Illustrative quotes describe the dynamics involved in the learning process among trainees. Conclusions : Completion of a hospital-based clinical elective was associated with improved knowledge of addiction medicine. Medical students appear to benefit more from the addiction elective with a hospital-based AMCT than other types of learners.
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 | 0,026 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».