Clinical Questions Addressed by First-Year Medical Students in Primary Care: A Cross-Sectional Study
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: In the context of an evidence-based medicine theme, medical students in their first year at McGill University formulate a PICO (population, intervention, comparator, and outcome) question arising from a patient encounter in family medicine. We sought to analyze clinical questions addressed within PICO projects submitted by first-year medical students shadowing a family physician. METHODS: A total of 180 student projects were split equally between two reviewers. Questions were then classified according to a three-component classification system: (a) type of question (screening, diagnosis, prognosis, treatment [including preventive treatment], etiology, and harm); (b) Ely's taxonomy; and (c) question topics based on the 105 priority topics of the College of Family Physicians of Canada. RESULTS: The most frequent question type among the students was treatment/prevention (152, 84.0%), followed by etiology (7, 3.9%), screening (6, 3.3%), prognosis (6, 3.3%), harm (5, 2.8%), and diagnosis (4, 2.2%). Based on Ely's taxonomy, the most frequent question was "How should I treat condition x (not limited to drug treatment)?" (105, 58.3%). Of the 105 priority topics from the College of Family Physicians of Canada, in children (18, 10%), pain (16, 8.9%), pregnancy (12, 6.7%), depression (11, 6.1%), and behavioral problems (10, 5.6%) were most frequently represented. CONCLUSIONS: Clinical questions addressed by first-year medical students, of which the vast majority are about treatment and prevention, can be classified. Students did not commonly address questions related to diagnosis, indicating that additional teaching may be required to use the PICO format to address this question type.
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 | 0,010 | 0,006 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».