112 Tackling overuse starts with what we share and teach: ten recommendations for doing better
Notice bibliographique
Résumé
This seminar will explore 10 recommendations for tackling low-value care through healthcare education and knowledge translation. Despite the negative impact of low-value care and overdiagnosis, medical education and conference scientific committees rarely ensure that their material does not lead to overuse and that the judicious use of healthcare resources is promoted. Through a collaborative effort with stakeholders, 10 actionable recommendations were developed to foster high-value care. Educators should thus rely on evidence-based decision-making, transparency, and the inclusion of resource stewardship in medical curricula and continuous professional development. Attendees will review the recommendations and discuss their application to promote safer and more efficient healthcare practices. Objectives Review the 10 recommendations to foster high-value care in health professionals education and knowledge translation Identify ways these recommendations may be adapted to local needs Share ideas to bring this discussion forward in different contexts Method We will share how these recommendations were developed and how they influence some aspects of medical education or conferences in Quebec. After a short presentation, we will engage the audience in a discussion about these recommendations and their applicability in the participant’s context. Results The 10 recommendations were published in the BMJ Evidence-based Medicine Journal and were adopted by continuing medical education accreditors in Quebec. Conclusions The recommendations can be used to foster high-value care through all forms of teaching and knowledge translation.
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 | 0,073 | 0,152 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,010 |
| Communication savante | 0,016 | 0,020 |
| Science ouverte | 0,007 | 0,009 |
| Intégrité de la recherche | 0,015 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,012 |
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 ».