MétaCan
Menu
← Retour à la cohorte
Enregistrement W4384816820 · doi:10.1093/pch/pxad039

Preparing the next generation of paediatricians: The importance of clinical informatics education

2023· article· en· W4384816820 sur OpenAlexaffabout
Rageen Rajendram, Mirriam Mikhail, Kristina Garrels, Daniel Rosenfield, Karim Jessa

Notice bibliographique

RevuePaediatrics & Child Health · 2023
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensHospital for Sick ChildrenHolland Bloorview Kids Rehabilitation HospitalUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésSick childMedicineLibrary scienceFamily medicinePediatrics

Résumé

récupéré en direct d'OpenAlex

As healthcare becomes more reliant on technology, it is crucial that we train the next generation of paediatricians to be proficient in clinical informatics. At the Hospital for Sick Children and University of Toronto, we have developed a clinical informatics elective that aims to provide paediatric residents with the skills and knowledge they need to effectively use technology in the delivery of care. The core of the elective is a 2-week or 4-week program that includes meetings with informatics leaders at the hospital, core readings, and core deliverables. These deliverables are designed to help residents reflect on their learning about clinical informatics and its role in healthcare, and how their experiences will influence their future careers. One of the key goals of the elective is to introduce residents to the field of clinical informatics, highlighting areas of growth, quality improvement and more. The elective also covers the Epic Electronic Health Record system, including its strengths and weaknesses, and explores the role of information services (IS) and governance in clinical informatics. Additionally, residents have the opportunity to learn about the IS structure at the hospital and how clinical informatics relates to IS.

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)0,018
score de la tête « metaresearch » (Gemma)0,103
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,034
Score d'incertitude au seuil0,114

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0180,103
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0060,006
Communication savante0,0130,017
Science ouverte0,0020,014
Intégrité de la recherche0,0090,017
Charge utile insuffisante (le modèle a refusé de juger)0,0340,010

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 Opus0,120
Tête enseignante GPT0,460
Écart entre enseignants0,340 · 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'étudeSans objet
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

Citations1
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePaediatrics & Child Health→Même sujetMobile Health and mHealth Applications→Travaux en français237 207→