Simulated patients and their reality: An inquiry into theory and method
Notice bibliographique
Résumé
Simulated standardized patients (SSP) have emerged as close to a 'gold standard' for measuring the quality of clinical care. This method resolves problems of patient mix across healthcare providers and allows care to be benchmarked against preexisting standards. Nevertheless, SSPs are not real patients. How, then, should data from SSPs be considered relative to clinical observations with 'real' patients in a given health system? Here, we reject the proposition that SSPs are direct substitutes for real patients and that the validity of SSP studies therefore relies on their ability to imitate real patients. Instead, we argue that the success of the SSP methodology lies in its counterfactual manipulations of the possibilities available to real careseekers - especially those paths not taken up by them - through which real responses can be elicited from real providers. Using results from a unique pilot study where SSPs returned to providers for follow-ups when asked, we demonstrate that the SSP method works well to elicit responses from the provider through conditional manipulations of SSP behavior. At the same time, observational methods are better suited to understand what choices real people make, and how these can affect the direction of diagnosis and treatment. A combination of SSP and observational methods can thus help parse out how quality of care emerges for the "patient" as a shared history between care-seeking individuals and care providers.
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 | 0,081 | 0,162 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,032 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,005 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».