Comment les médecins urgentistes raisonnent-ils ? Synthèse des principaux résultats d’une recherche qualitative multicentrique et multidisciplinaire sur la prise de décision en médecine d’urgence
Bibliographic record
Abstract
Nous en savons très peu sur la façon dont les médecins urgentistes raisonnent afin de prendre des décisions diagnostiques et thérapeutiques. Les erreurs de raisonnement sont pourtant à l’origine de la majorité des erreurs diagnostiques survenant dans le cadre de la pratique clinique. Cet article présente à l’attention des praticiens et des enseignants de médecine d’urgence les principaux résultats d’une vaste étude qui a réuni entre 2010 et 2015 une équipe internationale de chercheurs issus de plusieurs disciplines, avec pour objectif de modéliser l’expertise en médecine d’urgence. Nous avons mené une recherche observationnelle prospective multicentrique basée sur une approche qualitative. Des entretiens ont été réalisés avec des médecins urgentistes experts jusqu’à saturation des données. Ils concernaient la prise en charge récente d’une situation d’urgence. Ils étaient sous-tendus par l’enregistrement vidéo de la situation selon le propre point de vue des médecins. Les médecins urgentistes interviewés utilisent essentiellement leur intuition, qui se forge très rapidement, sur la base de deux à quatre informations cliniques et contextuelles. Ils trouvent souvent le bon diagnostic avant même d’avoir rencontré le patient, mais attendent systématiquement les résultats des examens complémentaires pour en être certains. Ils sont loin d’être « objectifs » dans la façon dont ils traitent les données de leur environnement et craignent toujours le pire. La modélisation de l’expertise en médecine d’urgence est susceptible d’aider les praticiens et les enseignants à mieux comprendre l’origine des erreurs de prise de décision dans le domaine de l’urgence.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.070 | 0.182 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.005 | 0.009 |
| Scholarly communication | 0.011 | 0.011 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".