Development and Pilot Testing of a Data-Rich Clinical Reasoning Training and Assessment Tool
Notice bibliographique
Résumé
PROBLEM: Clinical reasoning is a core competency for physicians and also a common source of errors, driving high rates of misdiagnoses and patient harm. Efforts to provide training in and assessment of clinical reasoning skills have proven challenging because they are either labor- and resource-prohibitive or lack important data relevant to clinical reasoning. The authors report on the creation and use of online simulation cases to train and assess clinical reasoning skills among medical students. APPROACH: Using an online library of simulation cases, they collected data relevant to the creation of the differential diagnosis, analysis of the history and physical exam, diagnostic justification, ordering tests; interpreting tests, and ranking of the most probable diagnosis. These data were compared with an expert-created scorecard, and detailed quantitative and qualitative feedback were generated and provided to the learners and instructors. OUTCOMES: Following an initial pilot study to troubleshoot the software, the authors conducted a second pilot study in which 2 instructors developed and provided 6 cases to 75 second-year medical students. The students completed 376 cases (average 5.0 cases per student), generating more than 40,200 data points that the software analyzed to inform individual learner formative feedback relevant to clinical reasoning skills. The instructors reported that the workload was acceptable and sustainable. NEXT STEPS: The authors are actively expanding the library of clinical cases and providing more students and schools with formative feedback in clinical reasoning using our tool. Further, they have upgraded the software to identify and provide feedback on behaviors consistent with premature closure, anchoring, and confirmation biases. They are currently collecting and analyzing additional data using the same software to inform validation and psychometric outcomes for future publications.
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 | 0,015 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».