利用虚拟病人探索医学生临床推理能力:混合方法研究

介绍

背景

临床推理能力被定义为临床医生用来提出适当问题和诊断的思维过程，因此对提供高质量的医疗保健至关重要[1，2]。较差的临床推理能力与错过诊断机会和患者预后差有关[3.-6]。为了解决提高临床推理技能的需要，有人呼吁在本科医学教育中更明确地教授临床推理技能[7，8]。然而，教授临床推理技能的最佳方法尚未得到很好的理解，因为技能的复杂性以及它们如何根据环境、知识和经验而变化[1，2]。教授临床推理技能的传统方法，如临床实习，对教师的时间和资源造成了相当大的负担。此外，学生人数的增加可能导致接触各种临床病例的机会减少[9-11]。

建议使用数字教学方法来解决临床推理技能教学中的空白，并补充传统的面对面教学方法[8，12-15]。虚拟病人是一种模拟临床情景的特定类型的计算机程序，已被推荐为一种有效的方法[9，16，17]。虚拟病人可以让学生接触到大量不同的病人病例，这可以帮助他们发展知识，并创造更复杂的疾病心理表征[18，19]。通过经验、反思和刻意练习来学习也可以帮助学生发展和保持他们的技能[12，20.，21]。随着越来越多的咨询在互联网上进行，虚拟病人也越来越接近临床实践[22-25]。

电子临床推理教学模拟工具

为了解决使用数字方法进行更结构化临床推理培训的需求，作者和网页设计师开发了电子临床推理教育模拟工具(eCREST)， Silver District [26]，在其他地方也有详细报道[27]。eCREST试图影响影响临床推理的3种认知偏差:拆包原则、确认偏差和锚定[28-30.]。拆包原则是一种倾向，不能引出必要的信息来做出明智的诊断。确认偏误是指仅仅为了确认诊断而寻求信息的倾向。锚定是不顾矛盾的信息而坚持最初诊断的倾向[31]。为了解决这些偏差，eCREST主要侧重于提高数据收集技能和思考诊断的灵活性，而不是所有的临床推理技能。在eCREST中，学生们观看了3个虚拟病例视频。这些患者就诊时出现咳嗽等非特异性呼吸道症状，这可能预示着肺癌等严重疾病。学生们被要求从一个列表中向病人提问，收到一个视频回答，并制定诊断和管理计划。为了解决潜在的偏见，在整个案例中，通过要求学生修改他们的诊断，定期进行反思，并在每个案例结束时收到反馈[32]。

一项试验在3所英国医学院评估了eCREST，以测试其可行性和可接受性，在其他地方有详细描述[33]。这项试验发现，eCREST似乎影响了学生的数据收集，但对思考诊断的灵活性影响较小。干预组的学生似乎比对照组表现出更彻底的数据收集模式，因为他们没有遗漏重要信息，但有暗示性证据(统计上不显著的5%)表明，他们可能会问比对照组更多不相关的问题。然而，从试验中获得的定量数据并不能进一步了解学生在使用eCREST和其他数据收集模式时是如何收集信息的。此外，对于学生如何从以前的临床推理研究中收集信息知之甚少，因为使用的是不要求学生收集信息的纸质小短文[34，35]。更好地了解学生在实时使用虚拟病人时如何收集数据，将告知教育工作者如何最好地支持学生发展这些技能。它还可以帮助开发人员设计虚拟病人，提供更好的数据收集技能培训。因此，本研究旨在:

1. 了解医学生如何在与虚拟病人互动时收集信息并做出诊断判断。
2. 在使用虚拟病人时，确定学生的数据收集模式。
3. 检查eCREST是否改变了学生的数据收集模式。

方法

设计

本研究采用混合方法设计，见图1［36-38]。定量方法与定性方法同等重要，数据收集并行进行，分析顺序进行。最初，进行了eCREST试验，以探索其对数据收集的潜在影响。试验的可行性结果和对数据收集的影响已在其他地方报告[33]。本研究的方法学细节也将在下面的章节中进行总结。在试验中，“大声思考”协议记录了学生在eCREST期间的推理和他们对任务的思考。在对试验数据进行初步分析之后，对定性数据进行了主题分析，并确定了收集数据的不同计划策略和影响这些策略的因素(目标1)。这导致了对试验数据的重新分析，以确定试验参与者中不同数据收集模式或行为的普遍性(目标2)。最后，进行了探索性分析，以检查eCREST对数据收集模式的影响(目标3)。

‎ 查看此图

设置

该试验在英国3所医学院进行，详情在其他地方报道。33]。同时进行的定性研究是在一所参与试验的英国医学院进行的，其中的学生不是试验的一部分。定性研究的伦理许可由伦敦大学学院(Ref. 9605/001;2017年9月8日)。

参与者

在试验中，招募了18.16%(所有符合条件的学生中有264/1454人)的大四医学生，并随机分配到干预组或对照组。1个月后，共有148名学生(干预组78名，对照组70名)仍在试验中[33]。在定性研究中，通过同伴辅助学习计划招募了16名最后一年级的医科学生，学生选择通过时事通讯和滚雪球抽样进行医学教育项目。所有学生都被告知，他们的数据将被匿名化，他们的参与是自愿的，他们提供了书面同意。他们被鼓励用代金券参加。

过程

定量数据收集和初步分析

在试验中，干预组通过eCREST接受3例患者，在正常教学的情况下，他们有1周的时间完成。对照组照常接受教学，在试验结束前不使用eCREST。临床推理能力结果比较组间1个月后通过额外的eCREST患者的情况。多媒体附录1显示了审判的流程图。结果表明，eCREST可能鼓励更彻底的数据收集模式[33]。

定性数据收集和分析

我们采用了有声思考的研究设计，然后是半结构化访谈[39，40]。“出声思考”任务包括观察学生在用eCREST完成一个病例时实时用语言表达他们的想法。这种方法可以深入了解医学生的临床推理，因为它提供了了解他们有意识思维过程的途径[13，39，41，42]。在主要任务之前，还会有一项练习出声思考的任务，以确保学生们对这个过程感到舒适。非指令提示，如保持对话，用于学生长时间保持沉默的情况。在“大声思考”任务后进行了半结构化访谈，以收集学生的回顾性想法[39，40]。为访谈制定了主题指南，并在2名医科学生中试用。每节课每个学生大约花1.5小时。

所有16个有声思考任务和半结构化访谈都被转录并导入到NVivo Version 12 (QSR International)软件中[43]。我们采用Braun等人的方法进行主题分析[44]并由Swain扩展[45]。首先，根据我们的研究目标和试验数据的初步发现，我们开发了演绎代码。然后我们熟悉了数据并开发了归纳代码。一个研究人员(RP)生成了一个密码本。为了确保编码框架的有效性，另外3位研究者(MK、APK和JT)使用编码框架指导转录本的编码，并生成了他们自己的附加编码。我们将类似的代码分组到主题中。在与更广泛的研究团队的会议上，主题得到了验证，讨论了差异，并达成了共识。反复分析数据，直到主题达到饱和。与学生如何收集数据(目标1)有关的结果有助于在从试验中获得的更大的定量数据集中确定学生的数据收集模式。

定量数据的再分析

根据定性研究结果，我们使用试验数据来估计3种数据收集模式的流行程度(目的2)，并了解eCREST是否可能改变了这些模式(目的3)。在注册后1个月，通过干预和对照完成的eCREST患者病例的学生数据用于评估临床推理。正如试验论文中所述，我们从这些数据中构建变量，以捕获临床推理技能的要素，如数据收集能力和思维灵活性[33]。在本研究中，我们只关注与数据收集技能相关的变量，因为在试验中发现这些变量在组间存在显著差异，本研究的重点是数据收集技能。我们评估确定的基本信息(基本)通过测量他们向患者提出的基本问题和患者进行的检查的比例，在所有可能的基本检查和专家确定的问题中。无论是否也提出了不相关的问题，这一措施都反映了数据收集的完整程度。的历史课的相关性(相关)是通过评估他们向病人提出的所有相关和基本问题和病人接受的检查占进行的检查和提出的问题总数的比例来衡量的。这一措施是所收集信息的特异性的一个指标。学生可以选择共70个问题和考试。专家们将29项基本项目定义为一个问题或检查，这些问题或检查将改变患者病例的鉴别诊断，允许尽可能多地区分不同的诊断，并揭示可能预示险恶诊断的关键症状。另有10个问题被专家认为是相关的,也就是说，在临床上适当的询问，但不会透露关键信息，以得出所有重要的可能的诊断。其余31个问题定义为无关紧要的．

为了确定学生表现出的数据收集模式，计算了基本和相关变量的四分位数。那些在两个变量中得分都在前三分之一的人被归类为具有专注模式。那些在“基本”得分前三分之一，但在“相关”得分最低的四分之一的人被归类为具有“彻底”模式。那些在“相关”中得分最高的四分之一，但在“基本”中得分最低的四分之一的人被归类为具有简洁的模式。那些在两个变量上得分都处于最低四分位数的人被标记为非特异性。敏感性分析显示，低于最低四分位数的其他截断值不足以对每种模式进行卡方分析并比较干预组和对照组之间的得分。我们使用卡方检验检验了不同数据收集模式的使用在干预组和对照组之间是否存在差异。使用STATA Version 15进行分析P≤。05，认为有统计学意义[46]。

结果

定性和定量研究的样本特征

表1描述基线试验和有声思考研究中参与者的特征。在试验中，大多数参与者年龄在23 ~ 24岁之间(152/264,57.6%)，男性(142/264,53.8%)。大声思考参与者的年龄和性别相似:81%(13/16)为23至24岁，56%(9/16)为男性。

学生如何收集信息并做出诊断

从定性的有声思维数据中，确定了与学生如何收集信息有关的4个主要主题:数据收集策略、eCREST结构、诊断假设以及信心和不确定性。

主题1:数据收集策略

学生们有不同的数据收集目标和收集信息的策略。

被彻底

一些学生报告说，他们在收集数据时力求彻底，并意识到拆封原则的潜在缺陷，没有收集到所有必要的信息。因此，他们问了许多问题，以确保他们没有错过任何表明严重疾病的相关信息和症状。然而，他们承认，这种收集数据的方法可能会很长，并可能导致他们提出不相关的问题:

我可能应该把这些都讲一遍，但是我不知道，我确实觉得我想要彻底，我确实想问所有的问题。
(P4)

我想我可以更简洁一些。以防万一，我什么都问。
(P16)

被关注

其他学生报告说，他们的目标是在调查病人的症状时集中注意力，并希望确保他们所询问的所有信息都与病人的情况有关。

我不想再问这些问题了，部分原因是我觉得。我想集中注意力，所以我不打算问其他可能不太相关的问题。
(P10)

在简洁的

一些人还表示，他们的目标是简洁，并限制他们问病人的问题数量，可能是因为eCREST的结构方式，或者可能是为了更节省时间。这表明一些学生没有意识到拆包原则的潜在负面影响和收集所有相关信息的重要性:

也许我不应该把自己限制在一个特定的数字上，然后问我认为什么才是合适的。
(P2)

随机选择

一些学生报告说，他们是随机提问的，收集信息的方式背后没有明显的原因。学生们之所以采用这种看似随机的方法，可能是因为他们较少接触eCREST的患者病例。

所以我想这些问题不是很有帮助，但因为它们在那里，我还是要问它们。
(侯)

主题2:eCREST的结构

eCREST的结构方式似乎是影响学生收集信息方式的一种机制。学生认为eCREST对他们收集信息的方式既有积极的影响，也有消极的影响。

有组织的数据收集

学生们报告说，eCREST的结构帮助他们组织了收集信息的方式，要求学生将他们的历史分成几个部分，并定期将他们的诊断假设可视化。这有助于他们根据自己的诊断来磨练自己的问题，可能还帮助一些学生克服了拆解原则，采取了更集中的方法:

我想这很好，因为它让你在信息有限的情况下简化诊断思路，我认为这可能有助于全科医生的时间管理，因为它让你简化了你的问题。
(票数)

我认为这对我来说很有用，当我在学习历史的时候，我认为……我不怎么写……我上历史课的时候，最重要的五个鉴别诊断…是啊，只是更擅长想象和组织。
(P13)

有些人似乎更专注于收集数据的方法，因为他们首先考虑了自己的相关问题，然后使用eCREST作为检查清单，以确认他们没有遗漏任何内容:

在我看这个列表之前，试着想想这个可能是有用的。
(P1)

不切实际的数据收集

然而，其他人报告说，eCREST中的问题列表使他们比在真正的咨询中更随机、更缺乏策略地提出问题:

我认为这只是我提问的方式有偏差。因为我不会在浏览的过程中浏览并点击它。
(P2)

一些学生认为eCREST中缺少开放性问题阻碍了他们收集信息的能力，他们认为开放性问题在现实生活中会提供更多相关的信息:

让你思考问题是很有用的，但因为我不会用那种方式提问，我觉得我自己的风格和这里的方式很不一样……我会对病人开诚布公。我会说"多说点"然后我就能，我就会有更好的想法，我就会有一个更好的时间轴。
(P15)

主题3:诊断假设

eCREST指导学生如何生成和重新评估诊断假设的方式似乎是eCREST影响学生如何收集信息的另一种机制。

早期诊断假设

一些学生发现，eCREST帮助他们在比平时更早的阶段想到诊断，这可能有助于他们避免在咨询的早期就固定在特定的诊断上，并对他们提出的问题产生影响:

通常我不会在咨询的早期就考虑到差异。所以这鼓励我在很早的时候就排除了不同的诊断。
(P12)

认知偏见

一些学生对一两个初步诊断(锚定)产生了关注，因此会寻求信息来确认诊断，并停止调查症状的其他原因(确认偏误)。这也许可以解释为什么有些学生采取更简洁的方法来收集信息:

[问题:你想改进什么?]］Consider everything the patient has said and I think just not try to make diagnosis fit, like the COPD that I was trying to make her fit.
(第七页)

两名学生在任务中表现出确认偏差的意识，并有意识地努力寻找其他信息，但结果可能问了太多无关的问题，导致学生采取了彻底的方法来收集数据:

我想我通常喜欢专注于一个系统，所以先做呼吸系统的事情，然后再转到心脏……尽管我不应该太过确认，我还是会问你其他的症状。
(P4)

我经常问一些确认性的问题……一个nd just exclude things that I just know weren’t on my differential and so my differential didn’t really change.
(侯)

反射

一些学生报告说，他们发现eCREST让他们有时间暂停、思考和反思他们的诊断是有用的，因为在临床实践中，这并不总是可能的。反思的机会可以解释为什么学生能够展示使用集中的数据收集策略，并避免在eCREST中出现一些认知偏差:

点一下问题，然后花五分钟思考一下就好了。我认为当你真正给病人看病的时候强调的是光滑。
(好)

选择诊断

有证据表明，eCREST可以帮助学生避免锚定和确认偏差，因为大多数学生报告说，eCREST中重新评估诊断的提示有助于他们考虑替代诊断并反思他们收集的信息。这可能有助于学生采取更集中的方法来收集数据:

事实是它让你重新考虑…在问了一些问题之后做出诊断，问一些问题是现实生活中很好的练习，你应该这样做，但你可能没有。
(P10)

它会让你重新评估你的诊断排名因为这样你就会思考这些问题以及你一开始为什么要问这些问题。
(P10)

然而，一些学生表现出一种随机的方法来重新评估他们的诊断，并报告说，修改诊断的提示并不总能帮助他们考虑其他诊断，并保持开放的心态。

我就随意地把哮喘加进去…缺血性心脏病。
(P8)

一些学生认为，不断回顾诊断的过程过于结构化，有些人忘记了他们在病例早期收集的信息，这可能解释了为什么他们的数据收集策略显得随机:

它确实让我以那种模块化的方式思考……每次我只考虑之前的六个问题。忘记之前发生的一切。所以，不像一组连续的问题，更像，哦，在最后六个问题中，她说她没有发烧。
(P16)

主题4:信心与不确定性

eCREST影响学生临床决策技能的信心和不确定性水平的方式似乎是eCREST影响学生收集信息方式的另一种潜在机制。

所造成的不确定性

一些学生报告说，eCREST的结构产生了一些不确定性，因为诊断和问题的列表鼓励他们重新考虑诊断并思考选择诊断背后的原因。这再次表明，回顾诊断和反思的提示可能有助于学生避免锚定，并有一个集中的方法从病人那里收集信息:

我喜欢所有的区别，你以为你知道，但你仍然，它在你的脑海里埋下了怀疑的种子。所以在某种意义上…即使我在安全网方面没有那么完美，确保我没有错过任何事情，我认为这迫使你想，好吧，对吧?和…不断地，通过让你重新考虑你的诊断，它确实让你更努力地思考每一个问题。
(P4)

管理的不确定性

一些学生谈到他们在做决定时需要更多的信心，以帮助他们在从病人那里收集信息时管理不确定性:

也许我应该更自信地说，好吧，这就是我的想法，它仍然是一致的。
(P12)

学生们还意识到，在对最有可能的诊断做出自信判断和担心如果错过了更严重的诊断会给病人带来严重后果之间存在紧张关系。这也许可以解释为什么有些学生采用了一种彻底的方法来收集信息，并可能使用这种方法来管理他们的不确定性。从学生的反思中也有证据表明，他们开始通过采取更集中的方法收集数据和使用安全网来管理这种不确定性:

你可以做每一项调查，然后确定，但实际上，当你试着去想，我不可能做世界上所有的血液检查时，这是最初的管理……现在我觉得我必须非常勇敢，因为你会想，如果我错过了一些可怕的事情怎么办?但我想大家很容易就会想，好吧，什么是绝对可怕的事情?确保我没有漏掉这些，例如x射线在某种意义上可以覆盖很多碱基。
(P4)

学会舒适……有一定程度的不确定性对全科医生和其他一些专业来说是很重要的。我需要从更多的经验中学习多少安全网和调查其他可能的差异是合适的。
(P3)

一些学生觉得eCREST和模拟是一种练习对决策负责和管理不确定性的方法。有人建议，更多地参与模拟可以帮助学生采用更集中或更彻底的数据收集模式，并避免拆封原则，因为这让他们觉得自己更有责任病人并激励他们不要错过任何严重的情况:

我想每次我这么做的时候……像这样的病例，当然，当我看到真正的病人时，比如我现在是全科医生……我要试着去思考这个问题，就像我是一个全科医生，独自看病人，而你是他们唯一的照顾点……因此要对他们负全责。这就迫使你认真思考微分和不能错过的东西。
(P4)

有些学生不愿意做出他们在现实生活中不会负责的决定，他们可能不太喜欢模拟，也没有机会练习管理不确定性:

我可能会在一周内复习他，哦，等等，实际上，我不知道。我想先和我的前辈商量一下，但这很难说。我的意思是……我的意思是，如果在现实生活中，如果我没有任何前辈可以交谈，如果我不知道他是否有背部疼痛，为了安全起见，我可能会推荐他，只是为了确定，我想。
(P13)

一些学生觉得调查罕见和不太可能的诊断是不现实的，他们可能不太参与模拟。这可能导致一些学生采用更简洁的数据收集方法，只关注常见疾病，导致他们更容易受到认知偏见的影响。

我很感激……他们所说的所有诊断结果…在real life, what happens is: you make a working diagnosis, and everything else is left behind—you don’t continue those, generally. There might be some things you safety net, but by and large, when it’s clear cut—as that was—you would almost take that, go with it, do a few things, just to be sure. Where I am—and I know this is a GP situation, but in A&E, if you said, ‘Oh, my fifth diagnosis of this patient is “Addison’s Disease,”’ I think you’d...be laughed out of the department, realistically.
(P1)

识别数据收集模式

定性数据显示，学生在使用eCREST时旨在应用3种不同的数据收集策略。这些策略可能在定量数据中表现为不同的数据收集行为，并指出eCREST如何影响这些行为。如《方法部分，我们试图通过使用试验学生在基本和相关变量上的分数来观察试验样本中的这些数据收集模式。图2总结了数据采集模式的特点。那些表现出专注和彻底模式的人倾向于引出最重要的信息，并获得更完整的患者病史。然而，那些表现出彻底模式的人也倾向于收集更多不相关的信息。那些表现出简洁模式或非特异性模式的人没有从病人那里得到足够的基本信息，也没有从病人那里得到完整的病史。然而，那些表现出简洁模式的人也没有收集到太多无关信息。

图3显示了试验组的试验学生在基本和相关变量上的分数的散点图，以及他们的分数是否落在或低于每个变量的最低四分位数，这决定了他们被确定为显示的数据收集模式。数据显示，大多数学生表现出“专注”模式，但也有相当比例的学生表现出其他模式，实验组的患病率似乎有所不同。

‎ 查看此图

‎ 查看此图

eCREST对数据收集模式的影响

在试验中，干预组和对照组在使用的数据收集模式类型上存在显著差异(χ²_3.= 9.9;P= .02点；表2）.与对照组相比，干预组更有可能表现出彻底的模式(21/ 78,27% vs 6/ 70,9%)，但不太可能表现出简洁的模式(13/ 78,17% vs 20/ 70,29%)。在干预组和对照组之间，显示集中或非特异性模式的可能性相似(分别为40/ 78,51 % vs 38/ 70,54 %和4/ 78,5 % vs 6/ 70,9 %)。

讨论

主要研究结果

该研究确定了学生在生成虚拟患者数据时应用的一系列数据收集模式。定性数据表明，eCREST可以帮助学生采取更彻底的方法，并通过不断修订诊断和允许学生练习管理他们的不确定性，潜在地减少认知偏见的影响。从试验的定量数据表明，eCREST影响学生展示更彻底的数据收集模式。

这项研究表明，虚拟病人如eCREST可以用来解决解包原则的认知偏差、确认偏差和锚定，通过不断地促使学生在整个病人咨询过程中反思。定性数据显示，这些提示鼓励许多学生更彻底地调查患者并重新评估他们的诊断。这可能帮助他们克服了这些偏见的潜在负面影响，比如错过了严重的诊断[32，47]。试验数据还表明，之前使用过eCREST的学生比对照组表现出更彻底的数据收集模式，这可能有助于他们解决这些偏见[33]。我们没有经验数据表明，任何数据收集模式比另一个更好，在临床情况下，他们可能是最合适的。在临床实践中，一种更集中的方法，即收集大多数重要信息而不收集太多无关信息，可能是理想的，特别是考虑到实际咨询的时间限制。英国和其他地方的政策和临床指南越来越多地建议对患者进行更集中和彻底的调查，以避免遗漏危险症状，特别是在癌症等严重疾病的初级保健中[8，25]。因此，eCREST鼓励采用的数据收集模式符合卫生政策的建议，可能特别适合于癌症等疾病的调查。

本研究的一个独特贡献是混合方法的使用。定性数据显示了不同的数据收集策略，学生旨在采取和eCREST如何影响他们如何收集信息。我们深入了解了学生数据收集策略的基本原理。那些报告说想要彻底的人解释说，他们使用这种策略是为了避免错过关于严重诊断的关键信息，因为他们对病例感到不确定。那些想要更专注的学生口头表达了只问相关问题的重要性。那些想要更简洁的人报告说他们想要限制他们收集的信息。这可能是因为在真正的咨询中，学生与病人相处的时间有限，但这可能导致他们容易受到偏见的影响，错过了预示严重疾病的症状。我们还发现，一些学生对eCREST的参与度较低，他们随意点击问题并做出决定。需要进一步的研究来了解哪些学生可能不会从通过虚拟病人进行的临床推理教学中受益，以及如何进一步适应学生的需求。

与之前关于临床推理的文献类似，我们确定了管理不确定性的中心主题[48，49]。定性数据显示了eCREST如何通过促使学生重新考虑诊断而产生不确定性。它还为学生提供了一个机会，通过对最坏情况进行彻底的调查和安全网，练习管理不确定性。48]。因此，eCREST可能有助于校准学生的信心。先前的研究表明，学生或医生的自信与诊断准确性之间几乎没有关联，而且越是困难的病例，过度自信就会增加[49-51]。考虑到eCREST的病例对学生来说相对复杂，这可能是一个积极的结果，许多学生在做出诊断决策时报告不确定和缺乏信心，这表明它可能有助于减少对困难病例的过度自信。

本研究亦显示虚拟病人(如eCREST)对医学教育的潜在影响。鉴于接触真实病人的机会越来越少，虚拟病人可以为学生提供某种形式的临床经验[9]。他们还为教育工作者提供了一个机会，可以实时观察学生的数据收集策略和行为模式，并为学生临床推理技能的形成性评估提供信息。以前的教育研究已经使用清单来确定学生的学习方法，例如学生的方法和学习技能清单[52-55]。《学生方法和学习技能清单》帮助教育工作者和学生确定学生在特定情况下如何学习的一般模式，并允许教育工作者或计算机程序就其他可能使用的方法提供建议。同样，教育工作者可以以反思的方式使用eCREST的数据，并作为对数据收集模式提供反馈的基础，这可能有助于学生提高他们的推理能力[21]。

限制

我们的研究仅限于医学生，但我们正在与一系列卫生保健专业人员和学生进行进一步的研究，以了解如何在临床教育中更广泛地使用eCREST。学生们自愿参加试验和有声思考研究;因此，这个样本可能与那些没有自愿的人不同，导致可能的选择偏差。此外，在大声思考的研究中，学生们用语言表达自己想法的能力各不相同，样本不具有代表性;因此，很可能并非所有调查的模式和理由都已确定[56，57]。与所有的有声思考和访谈研究设计一样，研究人员观察并提示参与者说话;因此，学生们可能已经调整了他们的反应，因为社会的可取性，他们会比在没有提示或没有观察的情况下更深思熟虑[56，57]。

结论

本研究发现，学生在使用虚拟病人时表现出多种数据收集模式。试验数据表明，像eCREST这样的虚拟病人可能会影响学生更彻底地收集数据。“有声思考”访谈表明，eCREST影响学生的机制包括帮助他们不断反思自己的诊断和管理不确定性。这些发现表明，虚拟患者增加了数据收集的彻全性，可以帮助未来的医生减少在未来咨询中错过的诊断机会。虚拟病人还可以为医学教育工作者提供一种更方便的方式来观察和识别学生的数据收集模式，这可能使他们能够提供更有针对性的推理反馈。需要进一步的研究来了解数据收集模式如何与现有的临床和教学实践相关联，并在临床环境中有所不同。