Using Electronic Health Record Data to Assess Residents’ Clinical Performance in the Workplace: The Good, the Bad, and the Unthinkable
Notice bibliographique
Résumé
PURPOSE: Novel approaches are required to meet assessment demands and cultivate authentic feedback in competency-based medical education. One potential source of data to help meet these demands is the electronic health record (EHR). However, the literature offers limited guidance regarding how EHR data could be used to support workplace teaching and learning. Furthermore, given its sheer volume and availability, there exists a risk of exploiting the educational potential of EHR data. This qualitative study examined how EHR data might be effectively integrated and used to support meaningful assessments of residents' clinical performance. METHOD: Following constructivist grounded theory, using both purposive and theoretical sampling, in 2016-2017 the authors conducted individual interviews with 11 clinical teaching faculty and 10 senior residents across 12 postgraduate specialties within the Schulich School of Medicine and Dentistry at Western University. Constant comparative inductive analysis was conducted. RESULTS: Analysis identified key issues related to affordances and challenges of using EHRs to assess resident performance. These include the nature of EHR data; the potential of using EHR data for assessment; and the dangers of using EHR data for assessment. Findings offer considerations for using EHR data to assess resident performance in appropriate and meaningful ways. CONCLUSIONS: EHR data have potential to support formative assessment practices and guide feedback discussions with residents, but evaluators must take context into account. The EHR was not designed with the purpose of assessing resident performance; therefore, adoption and use of these data for educational purposes require careful thought, consideration, and care.
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 | 0,031 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 ».