USING ALGORITHMS AND ACCREDITED EDUCATION SESSIONS TO ADDRESS PHYSICIAN KNOWLEDGE GAPS REGARDING TRANSIENT ISCHEMIC ATTACK (TIA) DIAGNOSIS AND TREATMENT IN NOVA SCOTIA
Notice bibliographique
Résumé
IntroductionTIA patients access care through their local emergency department (ED) or primary care physician when experiencing stroke symptoms. Provincial and local data revealed there was an opportunity to increase knowledge and awareness of the Canadian Stroke Best Practices for the diagnosis and treatment of TIA among physicians across the province.MethodsTwo TIA algorithms, one for ED and one for primary care, were developed based on the Canadian Stroke Best Practices covering the areas of diagnosis, risk assessment, tests/evaluation, and medications. The algorithms were reviewed by a wide range of stroke team members and physicians across the province. To support the implementation and use of the algorithms, an accredited Continuing Medical Education (CME) program was developed. The learning objectives were: increase knowledge in diagnosing TIA and the investigations required, improve comprehension of TIA risk categorization, and apply learning through case studies. Evaluations were completed at the end of each session.ResultsA total of 880 algorithms were disseminated (46 ED; 834 Primary Care) throughout Nova Scotia. Eleven CME sessions were held province-wide with a total of 140 healthcare providers attending. Session evaluations were completed by 107 attendees: 96% agreed the session met the stated objectives, 92% reported the session enhanced their knowledge, and 82% indicated they planned to use the TIA algorithm in their practice.ConclusionAlgorithms and an accredited CME program developed to meet specific knowledge gaps are effective methods to educate and support physicians in the diagnosis and treatment of TIA patients.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,026 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,013 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».