Concussion diagnosis and management: Knowledge and attitudes of family medicine residents.
Notice bibliographique
Résumé
OBJECTIVE: To assess the knowledge of, attitudes toward, and learning needs for concussion diagnosis and management among family medicine residents. DESIGN: E-mail survey. SETTING: University of Toronto in Ontario. PARTICIPANTS: Family medicine residents (N = 348). MAIN OUTCOME MEASURES: tests were used as appropriate. Linear regression was used to compare self-reported concussion knowledge with knowledge scores. Thematic analysis was used to interpret answers to the qualitative question asking residents to describe challenges they foresee physicians facing when diagnosing and managing concussion. RESULTS: The residents who responded (n = 73, response rate 21%) correctly answered an average of 5.2 questions out of 9 (58%) regarding the diagnosis and management of concussion. Postgraduate year, sex, personal history of concussion, and clinical exposure to concussion were not significant factors in predicting the number of correct answers. Several misconceptions and knowledge gaps were revealed. Of residents who responded, 71% did not recognize chronic traumatic encephalopathy and only 63% recognized second-impact syndrome as consequences of repetitive concussions. Moreover, 32% of residents did not think that every individual with a concussion should see a physician as part of management. Knowledge scores did not predict self-reported concussion knowledge. Thematic analysis revealed 4 themes related to the challenges of concussion diagnosis and management: the nonspecificity and vagueness of symptoms, lack of formal diagnostic criteria, patient compliance with management, and counseling patients with respect to return to play, work, or learning. CONCLUSION: We found substantial gaps in knowledge surrounding concussion diagnosis and management among family medicine residents. This lack of knowledge should be addressed at both the undergraduate medical education level and the residency training level to improve concussion-related care and patient outcomes.
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 | 0,001 | 0,005 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».