The challenge of cognitive science for medical diagnosis
Notice bibliographique
Résumé
The historical tendency to view medicine as both an art and a science may have contributed to a disinclination among clinicians towards cognitive science. In particular, this has had an impact on the approach towards the diagnostic process which is a barometer of clinical decision-making behaviour and is increasingly seen as a yardstick of clinician calibration and performance. The process itself is more complicated and complex than was previously imagined, with multiple variables that are difficult to predict, are interactive, and show nonlinearity. They appear to characterise a complex adaptive system. Many aspects of the diagnostic process, including the psychophysics of signal detection and discrimination, ergonomics, probability theory, decision analysis, factor analysis, causal analysis and more recent developments in judgement and decision-making (JDM), especially including the domain of heuristics and cognitive and affective biases, appear fundamental to a good understanding of it. A preliminary analysis of factors such as manifestness of illness and others that may impede clinicians' awareness and understanding of these issues is proposed here. It seems essential that medical trainees be explicitly and systematically exposed to specific areas of cognitive science during the undergraduate curriculum, and learn to incorporate them into clinical reasoning and decision-making. Importantly, this understanding is needed for the development of cognitive bias mitigation and improved calibration of JDM in clinical practice.
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 | 0,030 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,032 |
| Communication savante | 0,009 | 0,012 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 ».