Week 36(2024/06/11-2024/06/14)

主要任務

2024/06/12會議紀錄

近兩次收案之個案(共11人)皆無主訴ADL介入需求，探討其中原因可能包括：

  1. 與疾病Onset 時間有關
  2. 與個案有沒有照顧者暫時/長期的配合有關>>判斷穩定性（外籍看護基本上聘一年）
    • 新增於評量表上
  3. 與個案之病識感有關（大部分病人會覺得如果手腳好了，就自己可以做了）
  4. 部分個案主要是作與ADL之品質/效能的提升(可以自己用湯匙吃飯，想練習用筷子等)
    • 新增於評估量表上
  5. 與個案是否曾經做過復健有關
  6. 與病人對復健本身的期待/主觀有關
    • 評估時可以調查病人主訴


生理OSCE考官回饋逐字稿&影片進度

  • 影片主訴訪談片段擷取8份
  • 考官回饋影片擷取3份
  • 考官回饋逐字稿3份

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