Teaching Frailty to Medical Residents: A Needs Assessment Among Geriatrics Faculty
Notice bibliographique
Résumé
BACKGROUND: Knowledge of frailty is essential for meeting the Accreditation Council for Graduate Medical Education core competencies for US trainees. The UK General Medical Council requires that frailty be included in undergraduate and graduate medical education curricula. Trainees are expected to appropriately modify care plans and help make patient-centered decisions, while incorporating diagnostic uncertainty, such as frailty, in older adults. Little is known about current needs for frailty instruction in graduate medical education in the US and beyond. OBJECTIVE: We sought to capture faculty perceptions on how frailty should be defined and identified, and what aspects and level of detail should be taught to residents. DESIGN: The authors developed a 4-item short response questionnaire, and faculty had the option to respond via electronic survey or via semi-structured interviews. SETTING AND SUBJECTS: Respondents included 24 fellowship-trained geriatricians based at 6 different academic medical centers in a single urban metropolitan area. METHODS: An invitation to participate in either an electronic survey or semi-structured virtual interview was e-mailed to 30 geriatricians affiliated with an academic multi-campus Geriatric Medicine fellowship. Responses were transcribed and coded independently by two authors. RESULTS: Responses were received from 24 geriatricians via a combination of digital questionnaires (n=18) and semi-structured online interviews (n=6), for a response rate of 80%. Responses revealed significant diversity of opinion on how to define and identify frailty and how these concepts should be taught. CONCLUSIONS: As frailty is increasingly incorporated into clinical practice, consensus is needed on how to define and teach frailty to residents.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».