MétaCan
Menu
Retour à la cohorte
Enregistrement W4416039755 · doi:10.54941/ahfe1006960

Introducing the CARES Model: Integrating Artificial Intelligence, Medical Education, and Patient-Centered Care

2025· article· W4416039755 sur OpenAlex
Bryan Johnston, Jay Kalra

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueAHFE international · 2025
Typearticle
Langue
DomaineMedicine
ThématiqueArtificial Intelligence in Healthcare and Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMainstreamCurriculumCore competencyHealth careMedical practiceBridge (graph theory)Clinical PracticeGraduate medical education

Résumé

récupéré en direct d'OpenAlex

Artificial Intelligence (AI) is transforming the delivery of patient-centred healthcare in Canada and around the globe. As AI becomes mainstream in daily clinical practice, it is increasingly critical to equip physicians and medical trainees with the skills to effectively integrate AI into patient-centered care. In Canada, medical education is guided by the CanMEDS framework, which is structured around seven CanMEDS roles: Medical Expert, Communicator, Collaborator, Leader, Health Advocate, Scholar, and Professional. Despite the growing influence of AI in healthcare, there is a notable absence of AI-specific competencies within medical education for critically evaluating AI tools, interpreting AI-generated outputs, and safely and ethically integrating AI into clinical decision-making. To bridge this gap, we suggest a new model for physicians and medical trainees to critically evaluate the use of AI in clinical practice, based on patient-centered principles. This model is based on the core concepts of Communication, Autonomy, Respect, Equity, and Safety, which together form the CARES model. Integrating the CARES model into medical education should adopt a constructivist approach, leveraging active learning, case-based scenarios, simulations, and real-world experiences to prepare learners for the complexities of AI in clinical practice. Our research suggests that the CanMEDS framework offers an ideal foundation to explore the core domains of the CARES model, which can be adopted and integrated into daily clinical practice to promote digital literacy. Importantly, the CARES model can be adapted to fit existing medical curricula and tailored to align with global efforts to integrate AI into medical education. Additionally, we have found that central to this approach is the incorporation of feedback loops from both learners and instructors to ensure a sustained focus on patient-centered care. Our findings highlight the opportunities presented by the CARES model to promote digital literacy among physicians and medical trainees in a novel way using the existing CanMEDS framework. By leveraging the flexibility of the CanMEDS framework, we hope to increase digital literacy among physicians and medical trainees. The CARES model represents a novel approach to prepare the next generation of healthcare providers to use AI safely and effectively in their practice while maintaining a patient-centered focus.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,887
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,060
Tête enseignante GPT0,413
Écart entre enseignants0,353 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle