Embedding Learning in a Learning Health Care System to Improve Clinical Practice
Notice bibliographique
Résumé
PROBLEM: In an ideal learning health care system (LHS), clinicians learn from what they do and do what they learn, closing the evidence-to-practice gap. In operationalizing an LHS, great strides have been made in knowledge generation. Yet, considerable challenges remain to the broad uptake of identified best practices. To bridge the gap from generating actionable knowledge to applying that knowledge in clinical practice, and ultimately to improving outcomes, new information must be disseminated to and implemented by frontline clinicians. To date, the dissemination of this knowledge through traditional avenues has not achieved meaningful practice change quickly. APPROACH: Vanderbilt University Medical Center (VUMC) developed QuizTime, a smartphone application learning platform, to provide a mechanism for embedding workplace-based clinician learning in the LHS. QuizTime leverages spaced education and retrieval-based practice to facilitate practice change. Beginning in January 2020, clinician-researchers and educators at VUMC designed a randomized, controlled trial to test whether the QuizTime learning system influenced clinician behavior in the context of recent evidence supporting the use of balanced crystalloids rather than saline for intravenous fluid management and new regulations around opioid prescribing. OUTCOMES: Whether spaced education and retrieval-based practice influence clinician behavior and patient outcomes at the VUMC system level will be tested using the data currently being collected. NEXT STEPS: These findings will inform future directions for developing and deploying learning approaches at scale in an LHS, with the goal of closing the evidence-to-practice gap.
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 | 0,004 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».