Week 4 (2023/10/23-2023/10/27)

任務與進展

20231024 會議記錄

l   目前主要問題: 時間有限，較難融合近實際臨床架構中

n   因此接下來由治療師起頭，後續交給榆函

l   安如治療師提問

n   Q1實習學生，難以先起頭再給實習學生

n   A1榆函觀摩實習學生，不評簡版了，以實習生訓練為主，榆函藉由觀摩了解狀況，未來可以給予治療師回饋）

n   Q2介入需求及自覺困難，較難融入臨床聊天中

n   A1以臨床治療為主，其餘無法完成的由榆函補上

l   孟真治療師提問

n   Q1近期不會有新case，有一些舊個案可以re-evaluation，是否可以納入收案呢？

n   A1可以！至於由誰評估由治療師做決定

n   Q1榆函可以評估到什麼程度

n   A1一到三部分尚可以，第四部份先找助理練習

l   小結論

n   治療師進行部分測試，完整評估由榆函完成

n   榆函開始評一到三部分，接下來試著把評估全部測試過


校稿筆記
  • 心理計量之定義: 指評估個人心理 (psychological) 層面變項 （包含感受、情緒、能力、或個性等） 之科學
  • 評估工具須具備3種功能
    • 區辨估能: 評估工具能否區辨不同個案之間欲評量特質（功能）之差異
    • 預測功能: 指評估工具可否預測個案未來的某些健康或照護相關特質
    • 評估功能: 指評估工具能否反應個案於功能上之改變，以協助判定治療之成效
      • 具備反應性(responsiveness)
  • 信度(reliability): 指評估工具重複評估一穩定特質時，可獲得相同結果的一致程度(level of agreement)、穩定性 (stability, reproducibility)，與隨機評估誤差 (random measurement error) 之大小。
    • 再測信度(test-retest reliability)
    • 施測者間信度(inter-rater reliability)
    • 內在一致性(internal consistency)
    • 評估誤差
  • 效度 (validity)
    • 內容效度(content validity)
    • 表面效度(face validity)
    • 效標關聯效度(criterion-related validity)
      • 同時效度(concurrent validity)
      • 預測效度(predictive validity)
    • 建構效度 (construct validity)
      • 收斂效度(convergent validity)
      •  發散效度 (divergent validity)
    • 區辨效度(discriminative validity
  • 反應性(responsiveness): 已知個案或群體之變化（恢復）程 度，評估工具能否真實反應之
  • 重要臨床差異值 (clinical important difference; CID): 判斷個案功能改變或臨床病程的評估分數變化值是否具備（臨床或個人）意義
    • 最小臨床重要差 異值(minimal clinical important difference; MCID)
    • 最小重要差異值(minimal important difference; MID)

心得與困難

文獻閱讀


留言

張貼留言

這個網誌中的熱門文章

Week 29(2024/04/22-2024/04/26)

任務進度 BI chatGPT測試中 請亞大同學進行測試 目前共17位同學報名，已測試14位，剩餘3位下周繼續施測 已彙整目前逐字稿及BI評估表 所需時間由原本設定30分鐘延長至1小時 同學評估時間約需25-30分鐘 目前測試4位標準病人 下周目標：新生成一位SP OT介紹 目前生成一位SP：王翰[生理領域] 5/8前須完成2位生理SP、2位小兒SP OT介紹的任務須寫得更明確 ADL 2024/04/24 ADL會議暫停一次 本週收案人數0人 ADL評估於榮總之可行性討論 北榮神經內科病房現況 中風病人多為急性期 臥床病人多 年紀大、認知功能差 ADL多由照顧者協助 
閱讀完整內容

Week 31(2024/05/06-2024/05/10)

主要任務  ADL會議 暫停一次 ADL本周收案人數5人 總計收案32人 介紹OT & BI ChatGPT之標準病人 研究計畫延後，由原本的研究主題：測驗標準病人驗證，改成提供學生一系列自學模式。 修改原因： ChatGPT標準病人目前已漸趨穩定，無須再邀請實習學生針對其穩定度做測試。 目前有標準病人及專家版本，兩者可結合，形成一系列之自學模式。 BI SP之統整 預計SP人數8人 目前生成6人 編號 姓名 診斷 BI 分數設定 1 梁紫萱 先天性腦動脈畸形病變，導致右大腦出血性中風 40 2 李曉東 一隔月前突發腦中風 75 3 劉建國 一年前因車禍導致 C8-T1 ASIA B 脊隨損傷 50 4 吳思凱 三個月前車禍導致輕微腦出血 70 5 林志明 C6-C7 Meningioma spinal cord 10 6 鄭許招娣                                                           三周前跌倒導致大腿...
閱讀完整內容

Week 13 (2023/12/25-2023/12/29)

  任務與進展 2023/12/27會議暫停一次 本週收案人數：1人 心得與困難 研究計畫撰寫課程紀錄 我的主題：My GPTs 應用於巴氏量表評估之標準病人之成效驗證 資料檢索、文獻閱讀與評析以及如何大致確立研究問題 1. 確認研究目的 2. 搜尋3篇相關研究論文 3. 關鍵字：Artificial Intelligence, Standardized patients 文獻閱讀 Lessons Learned from the Usability Evaluation of a Simulated Patient Dialogue System 摘要 介紹了一個虛擬病人對話系統，讓醫學生練習歷史資料收集技能。該系統涵蓋多種病例和醫學專業領域，支持自然語言交互。 目標 解決模擬病例數量有限的問題，設計一個可以處理各種臨床條件的對話系統。該系統允許醫學訓練者透過圖形界面輕鬆創建虛擬病人​。 評估設計 評估了系統是否提供跨臨床案例的高品質對話。使用不同類型的案例（已見和未見的案例）進行評估​。 結果 評估顯示，所有方面在未見案例中的評分高於已見案例。系統在未見案例中的詞匯覆蓋率非常高，達到97.5%​。 總結 該系統可支援醫學生進行歷史資料收集訓練，並提供對系統優勢和局限性的見解​ Using virtual standardized patients to accurately assess information gathering skills in medical students 摘要 介紹了一個虛擬標準化病人系統 (Virtual Standardized Patient, VSP)，允許醫學生練習歷史資料收集技能並立即獲得回饋​。 該系統採用人工智能和3D角色，進行自然語言溝通，自動評估學生表現​ 。 方法 透過計算機自動評估與人工評估進行比較，以確保評分系統的準確性​。 結果 計算機系統評分與人工評分相似，整體準確率為87%，與人工評分的90%相當​。 實踐要點 VSP可進行自然語言溝通，使用AI技術。 VSP允許學生反覆練習，並立即對歷史資料收集技能進行反饋。 計算機評估與人工評估相當​。 優勢 提供即時反饋與詳細分析。 彈性安排學習時間。 減少標準化病人的變異性和評分者的變異性。 降低成本​。 局限性 目前系統僅限於評估信息收集領域，不涉及...
閱讀完整內容