What Can Business Leaders Learn from Medical Misdiagnoses?
Notice bibliographique
Résumé
Mistakes of diagnoses are often topics in medical schools, hospitals and medical practices. These errors can range from the minor and inexpensive to the harmful and costly. According to Johns Hopkins University researchers, devastating errors can lead to permanent damage or death for as many as 160,000 patients yearly. Diagnostic errors, however, may be becoming more preventable as many health-care providers are turning to a number of innovative strategies that are addressing the complicated web of errors, biases, and oversights. Included in innovative changes in medicine are the methods of managing patients’ records through electronic means. These modernizations are often touted as part of an overall plan to provide better health care delivery which in turn will lead to more efficient and effective health outcomes. But with any automation, there are potential downsides, such as information overload. In comparison, business analytics has become a very popular and growing field of operational research with application to many areas of business. Just as in medicine, it is the mission of “big data” to provide targeted and precise information to enhance the probability of making more effective and efficient decisions. Medicine and business have many overlapping concerns around the collection, analysis, and distribution of data. Bringing these professionals together, albeit they work in different contexts, has the possibility for advancing interdisciplinary insights around major decision-making issues that are paramount to both groups. Additionally, many medical professionals are in an ongoing effort to cut down on errors of misdiagnoses through the improvements in communication. Common biases have been identified that can exacerbate physicians making an incorrect diagnosis. For example, last year Dalhousie University in Halifax, Nova Scotia established a Critical Thinking Program that aims to help identify and analyze critical thinking biases. Physician Pat Crosberry, a researcher on the role of cognitive error in diagnosis, developed a list of 50 different types of biases that lead to diagnostic error. Businesses are often involved in strategic diagnostic research and misdiagnoses in this context are always a concern too. An interdisciplinary discussion of these issues will be discussed by panelists.
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 | 0,017 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,009 |
| Communication savante | 0,022 | 0,034 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,012 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,008 |
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 ».