Does Cardiac Physical Exam Teaching Using a Cardiac Simulator Improve Medical Students’ Diagnostic Skills?
Notice bibliographique
Résumé
Background Challenges in bedside teaching may be overcome by the use of high-fidelity simulators for teaching the cardiac physical exam. The purpose of this study is to compare the ability of first-year medical students (MS1) to perform a cardiac physical exam and make the correct diagnosis after instruction using standardized patients (SPs) as compared to a cardiac simulator (Harvey, Laerdal Medical Corporation, NY, US). Methods Thirty-two MS1 were randomized to a teaching module on either SPs or Harvey. Their performance and ability to make the correct diagnosis were evaluated during a posttest objective structured clinical examination (OSCE) on real patients. Results No difference in the mean OSCE score was observed (SP: M=62.2% vs. Harvey: M=57.2%, p=0.32). The SP group obtained a higher frequency of correct diagnoses (M=61.5% SP vs. M=21.0% Harvey, p=0.03). Student feedback revealed that Harvey offered superior clinical findings; however, 34.4% of students requested a combination of teaching modalities as opposed to either method alone. Conclusions Performance in examination skills did not differ between the SP and Harvey groups but the SP group demonstrated an improved ability to arrive at a unifying diagnosis. A combined teaching program may be ideal for transferability to patients.
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 | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».