Evaluation of a Novel Method of Teaching Endobronchial Ultrasound: Physician‐ Versus Respiratory Therapist‐Proctored Simulation Training
Notice bibliographique
Résumé
BACKGROUND: Computer endobronchial ultrasound (EBUS) simulators have been demonstrated to improve trainee procedural skills before attempting to perform EBUS procedures on patients. OBJECTIVE: To compare EBUS performance following training with computer simulation proctored by EBUS-trained respiratory therapists versus the same simulation training proctored by an interventional respirologist. METHODS: The present analysis was a prospective study of respiratory medicine trainees learning EBUS. Two cohorts of trainees were evaluated using a previously validated method using simulated cases with performance metrics measured by the simulator. Group 1 underwent EBUS training by performing 15 procedures on an EBUS simulator (n=4) proctored by an interventional respirologist. Group 2 received identical training proctored by a respiratory therapist with special training in EBUS (n=10). RESULTS: No significant differences between group 1 and group 2 were apparent for the primary outcome measures of total procedure time (15.15±1.34 min versus 14.78±2.88 min; P=0.816), the percentage of lymph nodes successfully identified (88.8±5.4 versus 80.91±8.9; P=0.092) or the percentage of successful biopsies (100.0±0.0 versus 98.75±3.95; P=0.549). The learning curves were similar between groups, and did not show an obvious plateau after 19 simulated procedures in either group. DISCUSSION: Acquisition of basic EBUS technical skills can be achieved using computer EBUS simulation proctored by specially trained respiratory therapists or by an interventional respirologist. There appeared to be no significant advantage to having an interventional respirologist proctor the computer EBUS simulation.
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.
Comment cette classification a été obtenuedéplier
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 | 0,004 | 0,002 |
| 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».