MétaCan
Menu
Retour à la cohorte
Enregistrement W3025977132 · doi:10.1097/acm.0b013e3182816880

In the Real World, Faster Diagnoses Are Not Necessarily More Accurate

2013· letter· en· W3025977132 sur OpenAlexaffabout
Jonathan Sherbino, Geoffrey R. Norman

Notice bibliographique

RevueAcademic Medicine · 2013
Typeletter
Langueen
DomaineMedicine
ThématiqueClinical Reasoning and Diagnostic Skills
Établissements canadiensMcMaster UniversityHamilton Health Sciences
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)Medical diagnosisCognitionTest (biology)Cognitive psychologyPsychologyAgency (philosophy)Empirical researchSocial psychologyMedicineEpistemologyPsychiatry

Résumé

récupéré en direct d'OpenAlex

In Reply to Reilly and Von Feldt: We thank Drs. Reilly and Von Feldt for their interest in our study. However, their main concern seems to be based on a misunderstanding of the methodology. They write that “their conclusion appears valid in the context of a multiple-choice examination but … is poorly applicable to real-life clinical situations.” In fact, as we described, the cases we used were long, written ones (about 400 words) requiring the participant physician to type in a free-text diagnostic response. Their commentary does raise two important questions: (1) What is the relationship between performance on written test cases and performance in “the real world”? and (2) Do “cognitive bias effects” exert any greater influence in “the real world” than in the written case? The first question can be easily answered. Studies done by the Medical Council of Canada1 examined the validity of the two-part Medical Council licensing examinations in predicting complaints to a regulatory agency. Part 1, the written, mostly multiple-choice examination, had a substantially greater relationship to complaints than measures of problem-solving derived from the Part 2 OSCE performance examination. Moreover, the written case-based clinical decision-making component of the Part 1 examination, which resembles our methodology, had the best predictive validity. As to the second question, the empirical evidence for virtually all cognitive biases is based entirely on written materials,2 often with multiple-choice questions, administered to undergraduate psychology students. To argue that written materials cannot identify cognitive biases negates the entire evidential basis of the cognitive bias literature. Moreover, the argument that these biases are more frequent in the clinical situation is not substantiated by the studies cited by Reilly and Von Feldt, which do not make any comparison to written cases, and Zwaan and colleagues’3 study counts “mistakes,” “violations,” “slips,” and “lapses,” which do not equate to cognitive biases. These are not inconsequential issues. If one assumes that the majority of diagnostic errors arise from cognitive biases that originate in System I reasoning, then it would be appropriate to devise educational interventions that, in Reilly and Von Feldt’s words, “encourage our learners to … be mindful of [System I’s] potential to introduce bias to diagnostic decision making.” In our view, such an assumption would also mean that learners should be encouraged to slow down and avoid System I reasoning. But the evidence we have presented shows that rapid diagnoses are more, not less, accurate on average, so an intervention to universally discourage speed would likely be ineffective and wasteful. Jonathan Sherbino, MD Associate professor, Emergency Medicine, McMaster University Faculty of Health Sciences, Hamilton, Ontario, Canada. Geoffrey R. Norman, PhD Professor, Clinical Epidemiology and Biostatistics, McMaster University Faculty of Health Sciences, Hamilton, Ontario, Canada; [email protected]

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,028
score de la tête « metaresearch » (Gemma)0,199
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,147

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0280,199
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0020,001
Études des sciences et des technologies0,0030,010
Communication savante0,0050,014
Science ouverte0,0050,005
Intégrité de la recherche0,0260,047
Charge utile insuffisante (le modèle a refusé de juger)0,0110,012

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.

Tête enseignante Opus0,074
Tête enseignante GPT0,391
Écart entre enseignants0,317 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreCommentaire

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAcademic MedicineMême sujetClinical Reasoning and Diagnostic SkillsTravaux en français237 207