Impact of the New McGill Undergraduate Medical Curriculum on Medical Students' Diagnostic Accuracy of Common Dermatoses Encountered in Primary Care
Notice bibliographique
Résumé
Background The McGill Faculty of Medicine implemented a new undergraduate medical curriculum in 2013 with additional preclinical lectures in dermatology. At the time of writing, no Canadian prospective study has been published on undergraduate dermatology training in the context of a complete curricular renewal. Objectives Our study was designed to determine the impact of increasing preclinical teaching in dermatology on medical students’ diagnostic accuracy and learning retention of common dermatoses encountered in primary care. Methods A standardized questionnaire was administered to the Classes of 2015, 2016, 2017, and 2018 in 6 versions for a total of 6 times over their 4 years of training. Each version featured 10 photographs of common dermatoses encountered in primary care. Students were invited to participate anonymously and on a voluntary basis. Results A small absolute, but statistically significant difference, of 3% was detected in the fourth and final year of training between the old curriculum (average score = 70%, standard deviation = 15%) and the new curriculum (average score = 73%, standard deviation = 15%), P = .03. Furthermore, the Class of 2018’s performance improved year by year over the entire 4 years of the new curriculum. Conclusions Additional preclinical lectures in dermatology do improve medical students’ diagnostic accuracy of common dermatoses encountered in primary care. Furthermore, they do retain their learning throughout the preclinical and clerkship years.
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 | 0,004 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».