Cognitive bias: how understanding its impact on antibiotic prescribing decisions can help advance antimicrobial stewardship
Notice bibliographique
Résumé
The way clinicians think about decision-making is evolving. Human decision-making shifts between two modes of thinking, either fast/intuitive (Type 1) or slow/deliberate (Type 2). In the healthcare setting where thousands of decisions are made daily, Type 1 thinking can reduce cognitive load and help ensure decision making is efficient and timely, but it can come at the expense of accuracy, leading to systematic errors, also called cognitive biases. This review provides an introduction to cognitive bias and provides explanation through patient vignettes of how cognitive biases contribute to suboptimal antibiotic prescribing. We describe common cognitive biases in antibiotic prescribing both from the clinician and the patient perspective, including hyperbolic discounting (the tendency to favour small immediate benefits over larger more distant benefits) and commission bias (the tendency towards action over inaction). Management of cognitive bias includes encouraging more mindful decision making (e.g., time-outs, checklists), improving awareness of one's own biases (i.e., meta-cognition), and designing an environment that facilitates safe and accurate decision making (e.g., decision support tools, nudges). A basic understanding of cognitive biases can help explain why certain stewardship interventions are more effective than others and may inspire more creative strategies to ensure antibiotics are used more safely and more effectively in our patients.
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 | 0,001 | 0,097 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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; 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 ».