Notice bibliographique
Résumé
I read with interest the perspective of a foundation doctor on ‘breaking good news’ in the context of ‘negative’ findings’.1 The UK foundation programme comprises 2 years of workplace-based learning for newly qualified doctors, bridging the gap between university and specialist training. I am encouraged to hear that the programme allows graduates to participate in challenging consultations, including those addressing diagnostic uncertainty. As a fifth-year medical student at the University of Cambridge, my peers and I find it difficult to discuss ‘negative’ test results when, despite investigations, we are unable to give patients a specific diagnosis. We fear that our inability to explain causality may be perceived as failure, by both clinicians and patients. Within our curriculum we receive interactive teaching on ‘Clinical Communication Skills’, covering themes underpinned by the Calgary–Cambridge Guide.2 When considering diagnostic uncertainty in clinical practice, our ‘Explanation and planning’ sessions have been especially useful. These facilitate discussions of complex and undetermined diagnoses with actors role-playing concerned patients. Beyond these simulations, we are encouraged to seek challenging consultations in clinical environments. This is achieved through conversations with senior clinicians, communicating our willingness to consult with patients who have unclear diagnoses. Such interactions are observed, allowing for feedback. Post-consultation reflection also facilitates the consideration of over-investigation and the potential for iatrogenic harm.3, 4 Discussions surrounding diagnostic uncertainty remain difficult for students and clinicians. I feel that clinical educators and students must endeavour to identify opportunities for building confidence in these conversations, within formal teaching environments and clinical placements.
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 | 0,002 | 0,200 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».