MétaCan
Menu
Retour à la cohorte
Enregistrement W4249461325 · doi:10.1093/pch/pxy054.125

THE PAEDIATRICIAN AS A LEADER: AN EDUCATIONAL INTERVENTION FOR HIGH-VALUE CARE

2018· article· en· W4249461325 sur OpenAlexaboutno aff
Jessica L. Foulds, Hasu Rajani, Karen Forbes

Notice bibliographique

RevuePaediatrics & Child Health · 2018
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealthcare cost, quality, practices
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedical educationThematic analysisHealth careMedicineAction planPsychologyNursingQualitative researchManagementPolitical science

Résumé

récupéré en direct d'OpenAlex

Abstract BACKGROUND The CanMEDS framework for physician competency defines necessary competencies of medical practice, laying the foundation for medical education and subsequent practice in Canada to meet patient needs. The role of Leader highlights the importance of quality improvement, stewardship, health care resource allocation and ability to apply evidence and management processes to facilitate cost-appropriate care. Educational innovations in this domain have not previously been described. OBJECTIVES To evaluate the impact of an educational intervention developed to foster stewardship of health care resources for paediatricians in training. DESIGN/METHODS An educational workshop on high-value care was created for general paediatric residents. Prior to workshop development, the study team procured local costing information from microbiology, general chemistry/laboratory, pharmacy, and radiology. During the workshop, individual, small group and interactive activities were used to explore clinical decision making and associated costs, radiation dosing, and non-monetary implications of care. A pocket-card reference was developed for use during the exercises. To assess the impact of the workshop, participants completed a post-workshop reflection asking them to identify lessons learned and an action plan for providing high-value care. Qualitative exploration of statements was conducted using thematic analysis; individual responses were coded and grouped into three overarching themes for both lessons learned and action plan. RESULTS Forty-three learners participated in the workshop. Post-workshop reflections yielded 93 lessons learned statements, and 67 action plan statements. Lessons learned were grouped into three themes: Scope, Content and Judgement Statements. Within Scope, most statements were general (80%) versus specific. Content areas most frequently cited included cost (61%), diagnostic imaging (28%) including radiation exposure (14%), and non-monetary costs of care (17%). Inferences about aspects of learnings, such as those referring to expense, value or waste, were labelled as Judgement Statements, and were present in 50% of the responses. Action plan statements were grouped into themes of Scope, Content and Action Words. Responses were again generally focused (87%). Most frequent Content subtheme responses were: tests (37%), non-monetary costs of care (21%), and diagnostic imaging (12%). Action words were grouped into seven categories as depicted in Figure 1, with Consider as most frequent (46%). CONCLUSION Reflections on non-monetary costs and action plans that consider how investigations might change management seemed to resonate with our single centre paediatric trainees. Longitudinal follow-up may help identify most impactful components of this educational workshop.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,016
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0020,001
Communication savante0,0010,002
Science ouverte0,0020,005
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

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.

Tête enseignante Opus0,263
Tête enseignante GPT0,526
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePaediatrics & Child HealthMême sujetHealthcare cost, quality, practicesTravaux en français237 207