Training Physicians in the Digital Health Era: How to Leverage the Residency Elective
Notice bibliographique
Résumé
Digital health is an expanding field and is fundamentally changing the ways health care can be delivered to patients. Despite the changing landscape of health care delivery, medical trainees are not routinely exposed to digital health during training. In this viewpoint, we argue that thoughtfully implemented immersive elective internships with digital health organizations, including start-ups, during residency are valuable for residents, residency programs, and digital health companies. This viewpoint represents the opinions of the authors based on their experience as resident physicians working as interns within a start-up health navigation and telehealth company. First, residents were able to apply their expertise beyond the traditional clinical environment, use creativity to solve health care problems, and learn from different disciplines not typically encountered by most physicians in traditional clinical practice. Second, residency programs were able to strengthen their program's educational offerings and better meet the needs of a heterogenous group of residents who are increasingly seeking nontraditional ways to learn more about care delivery transformation. Third, digital health companies were able to expand their clinical team and receive new insights from physicians in training. We believe that immersive elective internships for physicians in training provide opportunities for experiential learning in a fast-paced environment within a field that is rapidly evolving. By creating similar experiences for other resident physicians, residency programs and digital health companies have a key opportunity to influence future physician-leaders and health care innovators.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,000 | 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 ».