Các mẫu thu thập thông tin liên quan đến tỷ lệ lỗi chẩn đoán cao hơn

John E. Delzell1, Heidi Chumley1, Russell Webb2, Swapan Chakrabarti2, Anju Relan3
1University of Kansas School of Medicine, Kansas City, USA
2University of Kansas College of Engineering, Lawrence, USA
3University of California, Los Angeles, USA

Tóm tắt

Các lỗi chẩn đoán là một nguồn quan trọng của lỗi y tế. Việc thu thập thông tin gặp vấn đề là một nguyên nhân phổ biến dẫn đến lỗi chẩn đoán giữa các bác sĩ và sinh viên y khoa. Mục tiêu của nghiên cứu này là (1) xác định xem các mẫu thu thập thông tin của sinh viên y khoa có hình thành các nhóm chiến lược tương tự hay không, và nếu có thì (2) tính toán tỷ lệ chẩn đoán sai trong mỗi nhóm. Tổng cộng có 141 sinh viên năm thứ hai đã hoàn thành một mô phỏng tình huống máy tính. Mẫu thu thập thông tin của mỗi sinh viên bao gồm chuỗi lịch sử, khám lâm sàng và các mục kiểm tra hỗ trợ được lựa chọn từ một danh sách xác định trước. Chúng tôi đã phân tích các mẫu bằng cách sử dụng mạng nơ-ron nhân tạo và so sánh tỷ lệ chẩn đoán sai giữa các nhóm thu thập thông tin. Chúng tôi đã nhập các mẫu vào một bản đồ tự tổ chức 35 × 35. Mạng đã được huấn luyện trong 10.000 chu kỳ. Số lượng sinh viên tại mỗi nút nơ-ron tạo thành một bề mặt được làm mềm về mặt thống kê thành các nhóm. Mỗi sinh viên được phân vào một nhóm, nhóm có giá trị lớn nhất đóng góp vào hàm đã được làm mềm tại vị trí của sinh viên trên lưới. Bảy nhóm đã được xác định. Tỷ lệ lỗi chẩn đoán khác biệt đáng kể giữa các nhóm (Phạm vi 0–42%, Χ2 = 13.62, P = .034). Khoảng cách của mỗi nhóm từ nhóm có hiệu suất kém nhất được sử dụng để xếp hạng các nhóm. Xếp hạng này được so sánh với xếp hạng xác định bằng tỷ lệ chẩn đoán sai. Chúng tôi tìm thấy một correlelation dương cao (Correlation Spearman = .893, P = .007). Các nhóm gần nhất với nhóm có hiệu suất kém nhất có tỷ lệ chẩn đoán sai cao nhất. Các mẫu thu thập thông tin là khác biệt và có các tỷ lệ lỗi chẩn đoán khác nhau.

Từ khóa

#lỗi chẩn đoán #sinh viên y khoa #thu thập thông tin #mạng nơ-ron nhân tạo #mô phỏng máy tính

Tài liệu tham khảo

Anderson, J. (2004). Multiple choice questions revisited. Medical Teacher, 26, 110–113. doi:10.1080/0142159042000196141.

Bornstein, B. H., & Emler, A. C. (2001). Rationality in medical decision making: A review of the literature on doctors’ decision-making biases. Journal of Evaluation in Clinical Practice, 7, 97–107. doi:10.1046/j.1365-2753.2001.00284.x.

Casillas, A. M., Clyman, S. G., Fan, Y. V., & Stevens, R. H. (2000). Exploring alternative models of complex patient management with artificial neural networks. Advances in Health Sciences Education : Theory and Practice, 5, 23–41. doi:10.1023/A:1009802528071.

Charlin, B., Roy, L., Brailovsky, C., Goulet, F., & van der Vleuten, C. (2000). The script concordance test: A tool to assess the reflective clinician. Teaching and Learning in Medicine, 12, 189–195. doi:10.1207/S15328015TLM1204_5.

Coderre, S., Mandin, H., Harasym, P. H., & Fick, G. H. (2003). Diagnostic reasoning strategies and diagnostic success. Medical Education, 37, 695–703. doi:10.1046/j.1365-2923.2003.01577.x.

Cohen, L. J., Fitzgerald, S. G., Lane, S., & Boninger, M. L. (2005). Development of the seating and mobility script concordance test for spinal cord injury: Obtaining content validity evidence. Assistive Technology, 17, 122–132.

Croskerry, P. (2003). The importance of cognitive errors in diagnosis and strategies to minimize them. Academic Medicine, 78, 775–780. doi:10.1097/00001888-200308000-00003.

deGroot, A. D. (1965). Thought and choice in chess. The Hague: Mouton Publishers.

Ferland, J. J., Dorval, J., & Levasseur, L. (1987). Measuring higher cognitive levels by multiple choice questions: A myth? Medical Education, 21, 109–113.

Gagnon, R., Charlin, B., Roy, L., St-Martin, M., Sauve, E., Boshuizen, H. P., et al. (2006). The cognitive validity of the script concordance test: A processing time study. Teaching and Learning in Medicine, 18, 22–27. doi:10.1207/s15328015tlm1801_6.

Gandhi, T. K., Kachalia, A., Thomas, E. J., Pupolol, A. L., Yoon, C., Brennan, T. A., et al. (2006). Missed and delayed diagnoses in the ambulatory setting: A study of closed malpractice claims. Annals of Internal Medicine, 145, 488–496.

Hodges, B., McNaughton, N., Regehr, G., Tiberius, R., & Hanson, M. (2002). The challenge of creating new OSCE measures to capture the characteristics of expertise. Medical Education, 36, 742–748. doi:10.1046/j.1365-2923.2002.01203.x.

Hodges, B., Regehr, G., McNaughton, N., Tiberius, R., & Hanson, M. (1999). OSCE checklists do not capture increasing levels of expertise. Academic Medicine, 74, 1129–1134. doi:10.1097/00001888-199910000-00017.

Holmboe, E. S., Huot, S., Chung, J., Norcini, J., & Hawkins, R. E. (2003). Construct validity of the miniclinical evaluation exercise (miniCEX). Academic Medicine, 78, 826–830. doi:10.1097/00001888-200308000-00018.

Jerant, A. F., & Azari, R. (2004). Validity of scores generated by a web-based multimedia simulated patient case software: A pilot study. Academic Medicine, 79, 805–811. doi:10.1097/00001888-200408000-00017.

Jesneck, J. L., Lo, J. Y., & Baker, J. A. (2007). Breast mass lesions: Computer-aided diagnosis models with mammographic and sonographic descriptors. Radiology, 244, 390–398. doi:10.1148/radiol.2442060712.

Kassirer, J. P., & Kopelman, R. I. (1989). Cognitive errors in diagnosis: Instantiation, classification, and consequences. The American Journal of Medicine, 86, 433–441. doi:10.1016/0002-9343(89)90342-2.

Kempainen, R. R., Migeon, M. B., & Wolf, F. M. (2003). Understanding our mistakes: A primer on errors in clinical reasoning. Medical Teacher, 25, 177–181. doi:10.1080/0142159031000092580.

Kocyigit, Y., Alkan, A., & Erol, H. (2008). Classification of EEG recordings by using fast independent component analysis and artificial neural network. Journal of Medical Systems, 32, 17–20. doi:10.1007/s10916-007-9102-z.

Kohn, K. T., Corrigan, J. M., & Donaldson, M. S. (1999). To err is human: Building a safer health system. Washington, DC: National Academy Press.

Kohonen, T. (1990). The self-organizing map. Proceedings of the IEEE, 78, 1464–1480. doi:10.1109/5.58325.

Mamede, S., Schmidt, H. G., & Rikers, R. (2007). Diagnostic errors and reflective practice in medicine. Journal of Evaluation in Clinical Practice, 13, 138–145. doi:10.1111/j.1365-2753.2006.00638.x.

Margolis, M. J., Clauser, B. E., & Harik, P. (2004). Scoring the computer-based case simulation component of USMLE step 3: A comparison of preoperational and operational data. Academic Medicine, 79, S62–S64. doi:10.1097/00001888-200410001-00019.

Merrick, H. W., Nowacek, G. A., Boyer, J., Padgett, B., Francis, P., Gohara, S. F., et al. (2002). Ability of the objective structured clinical examination to differentiate surgical residents, medical students, and physician assistant students. The Journal of Surgical Research, 106, 319–322. doi:10.1006/jsre.2002.6478.

Norman, G., Young, M., & Brooks, L. (2007). Non-analytical models of clinical reasoning: The role of experience. Medical Education, 41, 1140–1145.

Nutter, D., & Whitcomb, M. (2001). Report on the AAMC project on the clinical education of medical students. Washington, DC: Association of American Medical Colleges.

Rao, K., & Yip, P. (1990). Discrete cosign transform algorithms, advantages and applications. New York: Academic press.

Regehr, G., MacRae, H., Reznick, R. K., & Szalay, D. (1998). Comparing the psychometric properties of checklists and global rating scales for assessing performance on an OSCE-format examination. Academic Medicine, 73, 993–997. doi:10.1097/00001888-199809000-00020.

Singh, H., Sethi, S., Raber, M., & Petersen, L. A. (2007a). Errors in cancer diagnosis: Current understanding and future directions. Journal of Clinical Oncology, 25, 5009–5018. doi:10.1200/JCO.2007.13.2142.

Singh, H., Thomas, E., Khan, M., & Petersen, L. (2007b). Identifying diagnostic errors in primary care using an electronic screening algorithm. Archives of Internal Medicine, 167, 302–308. doi:10.1001/archinte.167.3.302.

Specht, D. (1990). Probabilistic neural networks. Neural Networks, 3, 109–118. doi:10.1016/0893-6080(90)90049-Q.

Stevens, R. H., Lopo, A. C., & Wang, P. (1996). Artificial neural networks can distinguish novice and expert strategies during complex problem solving. Journal of the American Medical Informatics Association, 3, 131–138.

Stevens, R. H., & Lopo, A. C. (1994). Artificial neural network comparison of expert and novice problem-solving strategies. Proceedings of the Annual Symposium on Computer Applications in Medical Care, 64–68.

Stevens, R. H., & Najafi, K. (1993). Artificial neural networks as adjuncts for assessing medical students’ problem solving performances on computer-based simulations. Computers and Biomedical Research, an International Journal, 26, 172–187. doi:10.1006/cbmr.1993.1011.

Usher, D., Dumskyj, M., Himaga, M., Williamson, T. H., Nussey, S., & Boyce, J. (2004). Automated detection of diabetic retinopathy in digital retinal images: A tool for diabetic retinopathy screening. Diabetic Medicine, 21, 84–90. doi:10.1046/j.1464-5491.2003.01085.x.

Wu, X., Lu, F., Wang, B., & Cheng, J. (2005). Analysis of DNA sequence pattern using probabilistic neural network model. Journal of Research and Practice in Information Technology, 37, 353–363.

Zhang, J., Patel, V. L., & Johnson, T. R. (2002). Medical error: Is the solution medical or cognitive? Journal of the American Medical Informatics Association, 9, S75–S77. doi:10.1197/jamia.M1232.