Teaching multimorbidity to medical students
Notice bibliographique
Résumé
BACKGROUND: Multimorbidity is a rising health care phenomenon and doctors require specific skill sets to effectively care for patients with multiple illnesses. Despite this, most medical education is taught using a single-disease, systems-based approach. Consequently, students can struggle to manage patients with multimorbidity. To help final year medical students manage patients with multimorbidity in clinical practice, we devised, taught, and evaluated a heuristic: collect, cluster and co-ordinate. APPROACH: Students attended a 1-hour online workshop during their family medicine clerkship. Using a flipped classroom design, students watched a podcast, followed by facilitated small-group work. EVALUATION: Out of 132 final-year medical students, 102 participated in the evaluation. Students rated their confidence managing patients with multimorbidity, pre and post teaching on a Likert scale. Prior to teaching, 36% (n = 37) students rated their ability to manage a patient with multimorbidity as slightly confident. After teaching, 74.5% (76) students rated their ability to manage the same patient as fairly or completely confident. Prior to graduation students were surveyed to determine if they had applied the framework during clinical placements. Sixty-one students responded; 32 applied the heuristic during family medicine and in other clinical rotations such as paediatrics, obstetrics, emergency medicine and anaesthesia. IMPLICATIONS: Specific instruction on managing consultations with patients experiencing multimorbidity during undergraduate medical education increased learner confidence caring for these patients. The heuristic was relevant and applied in disciplines outside family medicine. Students indicated that earlier teaching on this topic would have prepared them better for clinical placements.
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) | 0,000 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».