Endobronchial ultrasound learning curve in interventional pulmonary fellows
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVE: Little published data exist regarding the learning curve for endobronchial ultrasound-transbronchial needle aspiration (EBUS-TBNA). We sought to assess the improvement in skill as trainees learned EBUS-TBNA in a clinical setting. METHODS: This is a multicentre cohort study of EBUS-TBNA technical skill of interventional pulmonology (IP) fellows as assessed with EBUS-TBNA computer simulator testing every 25 clinical cases throughout IP fellowship training. RESULTS: Nine fellows from three academic centres in the United States and Canada were enrolled in the study. Ongoing improvements were seen for EBUS-TBNA efficiency score and percentage of lymph nodes correctly identified on ultrasound exam, even after 200 clinical cases. Expert-level technical skill was obtained for EBUS efficiency score and for percentage of lymph nodes correctly identified on ultrasound exam at a median of 212 and 164 procedures, respectively; however, 33% of fellows did not achieve expert-level technical skill for either metric during their fellowship training. Significant variation in learning curves of the fellows was observed. CONCLUSIONS: Significant variation is seen in the EBUS-TBNA learning curves of individual IP fellows and for individual procedure components, with ongoing improvement in EBUS-TBNA skill even after 200 clinical cases. These results highlight the need for validated, objective measures of individual competence, and can assist training programmes in ensuring adequate procedure volumes required for a majority of trainees to successfully complete these assessments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle