Understanding age-triggered cognitive assessments of late-career physicians
Notice bibliographique
Résumé
Late-career physicians now represent a significant part of the physician workforce in the United States. The American Medical Association Council on Medical Education tracks physician demographic data and found that in 1975 there were 50,993 practicing physicians 65 years or older, but by 2013, this number had risen to 241,641 physicians, a 374% increase. The AMA Council also concluded that aging was associated with decreased processing speed, increased difficulty inhibiting irrelevant information, reduced hearing and visual acuity, decreased manual dexterity and visuospatial ability. There is mounting concern that the effects of aging can adversely impact the practice of medicine by late-career physicians. Although results are mixed, studies suggest late-career physicians have a higher rate of disciplinary action, fail to acquire new knowledge and have greater variability in test scores and their patients experience higher mortality rates after complex surgical procedures. Hospital administrators in their efforts to assess cognition of their aging medical staff are limited by the absence of validated metrics when it comes to older individuals with above-average years of education. Also, attempts to curtail medical practice based on age are fraught with legal implications arising from the Americans with Disabilities Act of 1990 and the Age Discrimination in Employment Act of 1967. We examined the issues hospital administrators face when formulating policies regulating the medical practice of late-career physicians. Our review summarizes the state of the literature of late-career physicians, reviews the legal implications of policies regarding age and the practice of medicine and offers our experience in creating a late-career physician policy for a multi-disciplinary medical staff.
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 | 0,000 |
| 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 ».