Evaluation of an occupational medicine patient consultation note assessment tool
Notice bibliographique
Résumé
BACKGROUND: Medical education focuses on assessment, diagnosis and management of various clinical entities. The communication of this information, particularly in the written form, is rarely emphasized. Though there have been assessment tools developed to support medical learner improvement in this regard, none are oriented to occupational medicine (OM) practice. AIMS: This study was aimed to develop and evaluate an assessment tool for consultation letters, by modifying a previously validated assessment tool to suit practice in OM. METHODS: Using an iterative process, OM specialists added to the Consultation Letter Rating Scale (CLRS) of the Royal College of Physicians and Surgeons of Canada (henceforth abbreviated as RC) additional questions relevant to communication in the OM context. The tool was then used by two OM specialists to rate 40 anonymized OM clinical consultation letters. Inter-rater agreement was measured by percent agreement, kappa statistic and intraclass correlation. RESULTS: There was generally good percent agreement (>80% for the majority of the RC and OM questions). Intraclass correlation for the five OM questions total scores was slightly higher than the intraclass correlations for the five RC questions (0.59 versus 0.46, respectively), suggesting that our modifications performed at least as well as the original tool. CONCLUSIONS: This new tool designed specifically for evaluation of patient consultation notes in OM provides a good option for medical educators in a variety of practice areas in providing non-summative, low-stakes assessment and/or feedback to nurture increased competency in written communication skills for postgraduate trainees in OM.
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 | 0,015 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».