Transitions curriculum impact on students and care
Notice bibliographique
Résumé
BACKGROUND: Transitions of patient care from the inpatient to outpatient setting is a high-risk time often resulting in medical errors and adverse events. Transitions of care programmes have been demonstrated to reduce negative outcomes. Several professional societies have highlighted care transitions as a central pillar of patient care and therefore a crucial aspect of health professional education; however, little data exist on medical student education in this area. APPROACH: The Transitions of Care Curriculum was developed and delivered to all Harvard Medical School Core I Internal Medicine Clerkship students at Beth Israel Deaconess Medical Center, Boston, MA between January 2017 and March 2019, where 12-14 students participated each quarter and included didactic teaching followed by experiential learning. Student data were collected via postclerkship survey. Patient data were collected via chart review. Student self-reported comfort level with transitions in care skills and medical errors were analysed. EVALUATION: All student measures related to comfort with transitions in care skills demonstrated statistically significant improvement after curriculum participation(p < 0.001). Of the patients with a completed postdischarge note, students identified ≥1 postdischarge related issue in 33 of 70 patients, with multiple issues identified in many of these patients. Seventy-six total issues were identified. IMPLICATIONS: The Transitions of Care Curriculum demonstrated promising student and patient outcomes, suggesting that students can successfully learn and advance clinical skills while having a positive impact on a highly needed and important aspect of patient care by reducing postdischarge errors and adverse events.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».