A scoping review protocol for cognitive bias in US and Canadian medical diagnosis: Current prevalence and management through education and policy
Notice bibliographique
Résumé
In 2002, psychologist Daniel Kahneman’s received the Nobel Prize for his work on errors in judgement and decision-making. Kahneman’s and Amos Tversky’s collaboration, dating back to the 1990’s, with Canadian physician Donald Redelmeier, advanced work on cognitive biases in medical decision-making. In 2005, US and Canadian physicians began to publish regularly on cognitive bias in medical diagnosis. The literature through 2017 suggests missed or delayed diagnoses were implicated in 10-15% of cases, 17% of adverse events and 10% of deaths. Research also suggested cognitive bias was associated with 74% of missed or delayed diagnoses, regardless of whether a condition was rare or common or of the degree of confidence in the incorrect diagnosis. Given the well-documented importance of reducing cognitive bias in order to promote medical diagnostic accuracy, the current scoping review will integrate the English language reviews and literature 2005 through 2020 based on vignettes, case-studies, surveys, and medical record searches as well as policy and theory. It is anticipated the scoping review will document prevalent and overlooked biases; include theory and findings about circumstances that promote bias; and align policy recommendations with interventions that have more or less robust evidence for their efficacy. Given the history of the field, the review concentrates on medical diagnosticians and their patients in the USA and Canada.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».