Diagnostic reasoning and cognitive error in emergency medicine: Implications for teaching and learning
Notice bibliographique
Résumé
BACKGROUND: Accurate diagnosis in emergency medicine (EM) is high stakes and challenging. Research into physicians' clinical reasoning has been ongoing since the late 1970s. The dual-process theory has established itself as a valid model, including in EM. It is based on the distinction between two information-processing systems. System 1 rapidly generates one or more diagnostic hypotheses almost instantaneously, driven by experiential knowledge, while System 2 proceeds more slowly and analytically, applying formal rules to arrive at a final diagnosis. METHODS: We reviewed the literature on dual-process theory in the fields of cognitive science, medical education and emergency medicine. RESULTS AND CONCLUSION: The literature reflects two prominent interpretations regarding the relationship between the fast and slow phases and these interpretations carry very different implications for the training of clinical learners. One interpretation, prominent in the EM community, presents it as a "check-and-balance" framework in which most diagnostic error is caused by cognitive biases originating within System 1. As a result, EM residents are frequently advised to deploy analytical (System 2) strategies to correct such biases. However, such teaching approaches are not supported by research into the nature of diagnostic reasoning. An alternative interpretation assumes a harmonious relationship between Systems 1 and 2 in which both fast and slow processes are driven by underlying knowledge that conditions performance and the occurrence of errors. Educational strategies corresponding to this alternative have not been explored in the EM literature. In this paper, we offer proposals for improving the teaching and learning of diagnostic reasoning by EM 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 | 0,004 | 0,399 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,006 |
| 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 ».