Characterizing Residents’ Clinical Experiences—A Step Toward Precision Education
Notice bibliographique
Résumé
Experiential learning from patient care activities is the primary means by which residents develop the skills that shape their future practice.However, these clinical learning opportunities are typically not well characterized, limiting educators' ability to precisely tailor the experiential curriculum.Elsewhere in JAMA Network Open, Lam and colleagues 1 provide a detailed characterization of internal medicine residents' experiences admitting patients overnight within a single Canadian residency program's 5 teaching hospitals over a 10-year period.The authors developed a bespoke clinical-educational database that captures rich data from the electronic health record (EHR) for each included clinical encounter and subsequently attributes each to a specific admitting resident.Leveraging this database, they identified significant resident, hospital, and temporal variation across 6 domains, including both admission volumes and multiple patient and encounter characteristics.This work contributes in important ways to better understanding the considerable variability that exists in residency training, including unpacking what might be warranted or unwarranted variability.The authors' findings 1 are consistent with those of recent publications also using EHR data to characterize the wide variations in clinical content exposure that exist at both the program and individual resident levels. 2,3Their research 1 also adds new dimensions to our understanding of such variation by evaluating additional factors, including patient acuity, complexity, and social determinants of health.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».