Debiasing and Educational Interventions in Medical Diagnosis: A Systematic Review
Notice bibliographique
Résumé
Background: The prevalence of cognitive bias and its contribution to diagnostic errors has been documented in recent research. Debiasing interventions or educational initiatives are key in reducing the effects and prevalence of cognitive biases, contributing to the prevention of diagnostic errors. The objectives of this review were to 1) characterize common debiasing strategies implemented to reduce diagnosis-related cognitive biases, 2) report the cognitive biases targeted, and 3) determine the effectiveness of these interventions on diagnostic accuracy. Methods: Searches were conducted on April 25, 2022, in MEDLINE, EMBASE, Healthstar, and PsycInfo. Studies were included if they presented a debiasing intervention which aimed to improve diagnostic accuracy. The Rayyan review software was used for screening. Quality assessments were conducted using the JBI Critical Appraisal Tools. Extraction, quality assessment and analysis were recorded in Excel. Results: Searches resulted in 2232 studies. 17 studies were included in the final analysis. Three major debiasing interventions were identified: tool use, education of biases, and education of debiasing strategies. All intervention types reported mixed results. Common biases targeted include confirmation, availability, and search satisfying bias. Conclusion: While all three major debiasing interventions identified demonstrate some effectiveness in improving diagnostic accuracy, included studies reported mixed results when implemented. Furthermore, no studies examined decision-making in a clinical setting, and no studies reported long-term follow-up. Future research should look to identify why some interventions demonstrate low effectiveness, the conditions which enable high effectiveness, and effectiveness in environments beyond vignettes and among attending physicians. PROSPERO registration number: CRD42022331128
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 | 0,003 | 0,133 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 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 ».