MétaCan
Menu
Retour à la cohorte
Enregistrement W4403024792 · doi:10.1186/s41077-024-00314-2

Effectiveness of hybrid simulation training on medical student performance in whole-task consultation of cardiac patients: The ASSIMILATE EXCELLENCE randomized waitlist-controlled trial

2024· article· en· W4403024792 sur OpenAlexaff
Michael J. Daly, Claire Mulhall, James P. O’Neill, Walter Eppich, Jonathan Shpigelman, Caitríona Cahir, D. Fraughen, Enda McElduff, Catherine Uhomoibhi, Claire Condron

Notice bibliographique

RevueAdvances in Simulation · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensSt. Stephen's University
Organismes subventionnairesnon disponible
Mots-clésMedicinePhysical therapyRandomized controlled trialExcellenceCompetence (human resources)Grading (engineering)Objective structured clinical examinationFamily medicineMedical educationSurgeryPsychology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Assessment of comprehensive consultations in medicine, i.e. a complete history, physical examination, and differential diagnosis, is regarded as authentic tests of clinical competence; however, they have been shown to have low reliability and validity due to variability in the real patients used and subjective examiner grading. In the ASSIMILATE EXCELLENCE study, our aim was to assess the effect(s) of expert tuition with hybrid simulation using a simulated patient wearing a novel auscultation vest, i.e. a hybrid simulated patient, and repeated peer grading using scoring checklists on student learning, performance, and acumen in comprehensive consultations of patients with valvular heart disease. METHODS: ASSIMILATE EXCELLENCE was a randomized waitlist-controlled trial with blinded outcome assessment undertaken between February 2021 and November 2021. Students at the Royal College of Surgeons in Ireland in either the second or third year of the four-year graduate-entry medical degree programme were randomized to a hybrid simulation training or waitlist control group and undertook three consultation assessments of three different clinical presentations of valvular heart disease (cases: C1-C3) using hybrid simulation. Our primary outcome was the difference in total score between and within groups across time; a secondary outcome was any change in inter-rater reliability across time. Students self-reported their proficiency and confidence in comprehensive consultations using a pre- and post-study survey. RESULTS: Included were 68 students (age 27.6 ± 0.1 years; 74% women). Overall, total score was 39.6% (35.6, 44.9) in C1 and increased to 63.6% (56.7, 66.7) in C3 (P < .001). On intergroup analysis, a significant difference was observed between groups in C2 only (54.2 ± 7.1% vs. 45.6 ± 9.2%; P < .001), a finding that was mainly driven by a difference in physical examination score. On intragroup analysis, significant improvement in total score across time between cases was also observed. Intraclass correlation coefficients for each pair of assessors were excellent (0.885-0.996 [0.806, 0.998]) in all cases. Following participation, students' confidence in comprehensive consultation assessments improved, and they felt more prepared for their future careers. CONCLUSIONS: Hybrid simulation-based training improves competence and confidence in medical students undertaking comprehensive consultation assessment of cardiac patients. In addition, weighted scoring checklists improve grading consistency, learning through peer assessment, and feedback. Trial registration ClinicalTrials.gov Identifier: NCT05895799.

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)0,004
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,005
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0040,002
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,002
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0040,003
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,389
Écart entre enseignants0,371 · 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'étudeEssai randomisé
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

Citations3
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in SimulationMême sujetSimulation-Based Education in HealthcareTravaux en français237 207