ユーザー中心のデザインで医療教育を改善する
教育的意思決定支援システムを通じて研修生の学習を向上させる研究。
― 1 分で読む
体験学習は医療教育において直接患者ケアを通じて重要だよね。研修生は自分の患者体験に関する明確な情報が必要で、それがスキルや学びを向上させるのに役立つんだ。客観的なツールはこの体験を追跡して、教育計画のガイドに使えるよ。
患者体験データの重要性
患者とのやり取りに関する正確なデータを持ってることが大事なんだ。このデータは研修生が自分の経験のギャップを見つける手助けをして、改善が必要な分野に集中できるようにするんだ。この情報をもとに、教育者は研修生のニーズに合ったプログラムをカスタマイズできる。
医療教育におけるテクノロジー
最近、研修生の患者体験を自動的にトラッキングするためのいくつかの技術システムが登場したよ。これらのツールは、研修生がさまざまなローテーションでどんな患者と関わっているかを特定することを目的としてる。でも、この情報を研修生にどうやって提示するのがベストなのか、まだ不確実な点が多いんだ。
教育的意思決定支援システム
教育的意思決定支援システム(EDS)は、研修生が学習体験を向上させるための特定の情報にアクセスする手助けをするツールなんだ。医者が情報に基づいて決定を下すのを助ける臨床的意思決定支援システムと似ていて、EDSは適切な情報を適切なタイミングで適切なユーザーに提供するように設計されてるよ。
デザインの課題
多くの従来の技術ベースのデザインはユーザーのニーズを満たせてなくて、イライラや使わない原因になってることが多いんだ。ほとんどの場合、こうしたシステムは意図されたユーザーからの十分な意見を反映せずに作られていて、複雑すぎるインターフェースになっちゃってる。ユーザー中心のデザインアプローチに移行することで、研修生のニーズに合ったシステムを作る手助けになるよ。
ユーザー中心のデザインアプローチ
ユーザー中心のデザインは、システムを作る前にユーザーのニーズや能力を理解することに焦点を当ててるんだ。研修生から目標や課題についての意見を集めることで、デザイナーはより効果的なインターフェースを開発できるんだ。この方法は、使いやすいシステムを生み出して、採用される可能性を高めるよ。
研究の目的
この研究の目的は、ユーザー中心のデザインアプローチを適用して、教育的意思決定支援システムの使いやすいインターフェースを作ることだったんだ。学習環境に関するデータを集めて、初期デザインを開発し、最終製品の使いやすさを測定することを目指したよ。
研究のフェーズ
研究は、作業ドメイン評価、形成的テスト、総括的な使いやすさテストの3つの主要なフェーズに分かれてた。
フェーズ1: 作業ドメイン評価
最初のフェーズでは、研修生の役割や新しいツールを使うコンテキストを理解しようとしたんだ。研修生やプログラムディレクターなど、さまざまな参加者にインタビューしたよ。インタビューは、研修生がどのように学んでいるか、そして彼らの決定に影響を与える要素に焦点を当てた。
情報を集めて分析した後、作業環境を反映したカテゴリーに整理したよ。研修生が学びを計画する際に通るプロセスを示したマップを作成した。
フェーズ2: 形成的テスト
2つ目のフェーズでは、初期のツールデザインをユーザーグループでテストしたんだ。このセッションからのフィードバックでツールを洗練させたよ。研修生が情報を集めたり、学習に関する重要な決定を下す場面に焦点を当てた。フィードバックを使って、ユーザー体験に最も影響を与える機能を優先した。
反復テストとデザイン調整を通じて、ユーザーの意見を基にした中間報告書を作成した。何度かのテストを経て、研修生にとって最も重要な視覚化と情報を含むミニマムバイアブルプロダクトに落ち着いたんだ。
フェーズ3: 総括的な使いやすさテスト
最後のフェーズでは、ツールの使いやすさを評価したよ。研修生が直面する典型的な意思決定状況を表す具体的なシナリオを作成した。参加者にミニマムバイアブルレポートを使ってタスクを完了してもらい、彼らのパフォーマンスやツールへの満足度を測定した。
タスクの完了率、タスクにかけた時間、ユーザーがツールの有用性をどう感じたかについてデータを集めた。
結果
作業ドメイン評価フェーズでは、8人の参加者にインタビューして、研修生の学びに影響を与える多くのトピックやサブトピックを特定した。クリニックやローテーションのようなトレーニング環境の一部は、忙しさのために効果的な計画に課題をもたらすことが分かったよ。
一方で、研修生とメンターのミーティングは学びや評価の貴重な機会として目立った。これらのミーティングは、知識のギャップを話し合い、それを解消する戦略を計画するための穏やかな場を提供してくれたんだ。
形成的テストフェーズでは、ユーザーのフィードバックに基づいて初期レポートを反復して更新した。フェーズの終わりには、研修生の過去や潜在的な患者体験を表す包括的な視覚化セットが特徴となった。
総括的テストでは、参加者が高い成功率でタスクを完了したことが分かった。ユーザーはツールが有用で使いやすいと感じていて、これは将来の採用にとって重要な要素だよ。
医療教育への影響
この研究は、教育的意思決定支援システムを使って医療トレーニングを向上させる可能性を示しているんだ。明確で関連性のある患者体験データを提供することで、これらのシステムは研修生が学びの機会をより効果的に見つける手助けをしてくれる。
この研究で開発されたツールは、研修生がさまざまな診断への曝露を視覚化し、知識のギャップを理解して、選択ローテーションについて情報に基づいた決定を下すのを助けてくれる。これが、彼らのトレーニングが包括的でバランスの取れたものになるのを保証する手助けになるよ。
制限事項
私たちの研究には、サンプルサイズが小さいことや、研究を実施した特定の設定が含まれた制限があったんだ。これらの要因が私たちの発見の適用可能性に影響を与えるかもしれないことを認めているよ。また、参加者が個々の体験に直接関連しない一般化されたデータを使用していたため、シミュレーションの現実性が低かったかもしれない。
結論
ユーザー中心のデザインアプローチは、研修生向けの使いやすい教育的意思決定支援システムを開発する上で効果的だってことが分かったよ。リアルなニーズやコンテキストに焦点を当てることで、大学院医療教育のユーザーに受け入れられやすいツールを作れたんだ。
今後の研究では、このツールが学習環境や研修生の全体的な体験にどれだけ影響を与えるかを評価していく予定だよ。この研究から得られた洞察は、医療トレーニング内の教育技術のさらなる進展の基盤となるだろうね。
タイトル: Precision Education Tools for Pediatrics Trainees: A Mixed-Methods Multi-Site Usability Assessment
概要: BackgroundExposure to patients and clinical diagnoses drives learning in graduate medical education (GME). Measuring practice data, how trainees each experience that exposure, is critical to planned learning processes including assessment of trainee needs. We previously developed and validated an automated system to accurately identify resident provider-patient interactions (rPPIs). In this follow-up study, we employ user-centered design methods to meet two objectives: 1) understand trainees planned learning needs; 2) design, build, and assess a usable, useful, and effective tool based on our automated rPPI system to meet these needs. MethodsWe collected data at two institutions new to the American Medical Associations "Advancing Change" initiative, using a mixed-methods approach with purposive sampling. First, interviews and formative prototype testing yielded qualitative data which we analyzed with several coding cycles. These qualitative methods illuminated the work domain, broke it into learning use cases, and identified design requirements. Two theoretical models--the Systems Engineering Initiative for Patient Safety (SEIPS) and Master-Adaptive Learner (MAL) --structured coding efforts. Feature-prioritization matrix analysis then transformed qualitative analysis outputs into actionable prototype elements that were refined through formative usability methods. Lastly, qualitative data from a summative usability test validated the final prototype with measures of usefulness, usability, and intent to use. Quantitative methods measured time on task and task completion rate. ResultsWe represent GME work domain learnings through process-map-design artifacts which provide target opportunities for intervention. Of the identified decision-making opportunities, trainee-mentor meetings stood out as optimal for delivering reliable practice-area information. We designed a "mid-point" report for the use case of such meetings, integrating features from qualitative analysis and formative prototype testing into iterations of the prototype. A final version showed five essential visualizations. Usability testing resulted in high performance in subjective and objective metrics. Compared to currently available resources, our tool scored 50% higher in terms of Perceived Usability and 60% higher on Perceived Ease of Use. ConclusionsWe describe the multi-site development of a tool providing visualizations of log level electronic health record data, using human-centered design methods. Delivered at an identified point in graduate medical education, the tool is ideal for fostering the development of master adaptive learners. The resulting prototype is validated with high performance on a summative usability test. Additionally, the design, development, and assessment process may be applied to other tools and topics within medical education informatics.
著者: Alexander Fidel, M. V. Mai, N. Muthu, A. C. Dziorny
最終更新: 2024-07-24 00:00:00
言語: English
ソースURL: https://www.medrxiv.org/content/10.1101/2024.07.23.24310890
ソースPDF: https://www.medrxiv.org/content/10.1101/2024.07.23.24310890.full.pdf
ライセンス: https://creativecommons.org/licenses/by/4.0/
変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。
オープンアクセスの相互運用性を利用させていただいた medrxiv に感謝します。