Competencies for improving diagnosis: an interprofessional framework for education and training in health care
Notice bibliographique
Résumé
Background Given an unacceptably high incidence of diagnostic errors, we sought to identify the key competencies that should be considered for inclusion in health professions education programs to improve the quality and safety of diagnosis in clinical practice. Methods An interprofessional group reviewed existing competency expectations for multiple health professions, and conducted a search that explored quality, safety, and competency in diagnosis. An iterative series of group discussions and concept prioritization was used to derive a final set of competencies. Results Twelve competencies were identified: Six of these are individual competencies: The first four (#1-#4) focus on acquiring the key information needed for diagnosis and formulating an appropriate, prioritized differential diagnosis; individual competency #5 is taking advantage of second opinions, decision support, and checklists; and #6 is using reflection and critical thinking to improve diagnostic performance. Three competencies focus on teamwork: Involving the patient and family (#1) and all relevant health professionals (#2) in the diagnostic process; and (#3) ensuring safe transitions of care and handoffs, and "closing the loop" on test result communication. The final three competencies emphasize system-related aspects of care: (#1) Understanding how human-factor elements influence the diagnostic process; (#2) developing a supportive culture; and (#3) reporting and disclosing diagnostic errors that are recognized, and learning from both successful diagnosis and from diagnostic errors. Conclusions These newly defined competencies are relevant to all health professions education programs and should be incorporated into educational programs.
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 | 0,000 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».