Rare Disease Interest Group (rareDIG) at McGill University: A Medical Education Pilot Project
Notice bibliographique
Résumé
One in 12 Canadians have a rare disease, yet medical education continues to espouse Dr. Woodward’s aphorism “when you hear hoofbeats think horses, not zebras.” This produces physician attitudes which are deleterious to the care of people with rare diseases. The McGill University Rare Disease Interest Group (rareDIG) has created programming which sensitizes medical students to the extent and reality of rare diseases.rareDIG helps them to develop attitudes and approaches which shorten the diagnostic odyssey and improve care of people with rare diseases. Success stems from drawing attention to the realities of rare disease through direct patient interaction, creating a strong social media presence, and building collaborations with rare disease advocacy groups and networks. Our inaugural Rare Disease Day event was attended by over 100 attendees including medical students, patients and their families, and a variety of health professionals.Other successes include a Patient Perspective Series addressing the holistic approach to rare disease, shadowing opportunities, “n = rare” journal clubs, and a “Humans of Rare Disease” advocacy project. Medical students represent an important cohort to target with rare disease awareness campaigns that has largely been overlooked by current advocacy efforts. By exposing medical students early in their education to the realities of rare diseases, student-run interest groups can improve medical students’ understanding and perception of rare diseases and ultimately improve patient care in the future. rareDIG strives to continue achieving its objectives in rare disease education and aide other medical schools in creating their own rare disease student groups.
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 | 0,000 |
| 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 ».