Beyond Workarounds: Enhancing Education, Care, and Wellness on Inpatient Medicine Rotations —A Multicenter Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: Inpatient medicine rotations (IMRs) aim to deliver exceptional clinical education and high-quality patient care. However, increasing workloads and the fast pace of inpatient wards are undermining this dual objective. OBJECTIVE: To explore tensions and challenges between balancing education and clinical practice on IMRs and how physician-leaders are addressing them. DESIGN: Constructivist grounded theory. PARTICIPANTS: Inpatient medicine rotation physician-leaders from academic medical centers in the United States and Canada. APPROACH: Data collection involved semi-structured individual and group interviews, collected and analyzed iteratively to develop an explanatory conceptual model. Rigor was enhanced through constant comparison, investigator triangulation, and return-of-findings sessions. KEY RESULTS: Twenty interviews involving 27 participants from 20 distinct training programs were conducted. Participants endorsed IMRs unique clinical and educational value. However, they flagged how increasing workloads and resource challenges produce tensions that can undermine the quality of both which, as a consequence, negatively impact attending and trainee wellness. While reactionary "workarounds" were the norm, they often created unanticipated problems. Key IMR features and strategies for success were identified and organized into six categories: (1) patient mix/census; (2) leadership collaboration; (3) collaborative care models; (4) rotation scheduling; (5) clinical workflow; (6) educational workflow. How physician-leaders configured their IMR structures and processes within these categories had the potential to support or undermine the delivery of high-quality care, education, and wellness. CONCLUSIONS: Inpatient medicine rotations, which is essential for clinical care and education, are currently facing serious challenges from a changing clinical and educational landscape. Our findings present a conceptual model highlighting key modifiable variables, giving physician-leaders a framework to assess and enhance their IMR's clinical learning environment, thus fostering quality care, education, and clinician wellness.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,006 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».