Aligning Practice Data and Institution-specific CPD: Medical Quality Management as the Driver for an eLearning Development Process
Notice bibliographique
Résumé
For hospital physicians, alignment of Continuing Professional Development (CPD) with quality improvement efforts is often absent or rudimentary. The purpose of this study was to evaluate a CPD development process that created accessible learning opportunities and aligned CPD with practice data. We conducted a chart audit to identify patient safety and quality of care issues within the institution, then established an eLearning approach that supported quick and cost effective development of high-quality interactive CPD opportunities. We tested a pilot module on the management of common infections in sub-acute care settings with fifteen (68%) residents and three staff physicians to evaluate the approach. One resident and three staff agreed to a follow-up interview. The satisfaction survey indicated that participants felt the content was generally appropriate and the module well designed. Significant improvements to knowledge were reported in the multi-drug resistance (Mean Difference = 25%, p = 0.002), infection management (MD = 32%, p < 0.001), and cellulitis risk factor (MD = 22%, p = 0.02) questions, as well as in the overall score (MD = 19%, p < 0.001). In terms of confidence in their answers, the mean rating pre-module was 3.17, rising significantly to 3.92 post-module (p < 0.001). In this way, collaboration between quality management and education committees allowed for the development of relevant CPD for physicians, with eLearning providing a timely and accessible way to deliver training on emerging issues.
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 | 0,005 | 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 | 0,000 | 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 ».