Medical and Undergraduate Student Perceptions on Scribing in an Emergency Department
Notice bibliographique
Résumé
Background A shift towards electronic medical records (EMR) has increased physician burnout and decreased physician satisfaction and productivity. One solution to alleviate EMR stressors is the implementation of medical scribes. Scribes have been shown to increase physician productivity and satisfaction. The study objective was to elucidate medical and undergraduate student scribing experience to determine if that experience can incentivize scribes to work in the emergency department. Methods Ten students scribed and shadowed at a tertiary ED between July 4, 2019, and August 10, 2019. Medical students participated in two scribing and two non-scribing (shadowing) sessions, each lasting four hours. Undergraduate students only had a scribing condition. To facilitate scribing, a laptop with a wireless keyboard was provided, as well as a stand-up laptop tray. An exit survey and semi-structured interviews were conducted after the scribing experience. The majority of insights were extracted from interviews. Transcripts were coded into thematic coding trees and analyzed using thematic analysis. Results All undergraduate students preferred volunteering in the ED over other volunteer experiences. All undergraduates cited direct access to the medical field, resume building, and perceived value added to the health care team as motivators to continue scribing. Most students credited demystification of the medical profession as a motivator. Most medical students felt scribing should be integrated into their curriculum. Based on survey results, five undergraduate students would volunteer 40 hours/week. Conclusion Our study showed that a volunteer model of scribing is feasible. Importantly, scribing may be an invaluable experience for directing career goals and ensuring that students intrinsically interested in medicine pursue the profession. Although a volunteer model may not provide the desired benefit in terms of ED efficiency, it may be an integral part of training the next wave of physicians.
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 | 0,012 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 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 ».