P.070 Using AI to revolutionize clinical training through OSCE-GPT: a focused exploration of user feedback on otolaryngology and neurology cases
Notice bibliographique
Résumé
Background: OSCE-GPT (https://learnmedicine.ca/) is an AI-based app that integrates history, physical exam, and relevant components for case guidance across medical disciplines to help trainees improve clinical skills. With global users across 60+ countries, this preliminary quality improvement study gathers user feedback on neurology and otolaryngology cases. Methods: A survey was distributed to users at the University of Ottawa and Cumming School of Medicine. Participants provided insights on the app’s use, perceived benefits, and suggested improvements. Results: Using 5-point Likert scales, 13 respondents, 9 of which evaluated an otolaryngology case, rated the overall usefulness of the learning tool 4.57± 0.51 (1=very poor, 5=very good), with a score of 4.00±0.65 relative to other teaching methods, such as didactic lectures or grand rounds (1=much worse, 5=much better). Users noted realistic interactions and self-paced learning as beneficial factors. Areas for improvement included a more fluid transition between physical exams and history, geographic variations in cases, and the addition of elements such as non-verbal patient cues or emotional. Conclusions: This study demonstrates utility of OSCE-GPT for medical trainees, particularly for otolaryngology and neurology cases. As cases continue to be added, feedback will be implemented to further improve user experience.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».