Can medical learners achieve point-of-care ultrasound competency using a high-fidelity ultrasound simulator?: a pilot study
Notice bibliographique
Résumé
BACKGROUND: Point-of-care ultrasound (PoCUS) is currently not a universal component of curricula for medical undergraduate and postgraduate training. We designed and assessed a simulation-based PoCUS training program for medical learners, incorporating image acquisition and image interpretation for simulated emergency medical pathologies. We wished to see if learners could achieve competency in simulated ultrasound following focused training in a PoCUS protocol. METHODS: Twelve learners (clerks and residents) received standardized training consisting of online preparation materials, didactic teaching, and an interactive hands-on workshop using a high-fidelity ultrasound simulator (CAE Vimedix). We used the Abdominal and Cardiothoracic Evaluation by Sonography (ACES) protocol as the curriculum for PoCUS training. Participants were assessed during 72 simulated emergency cardiorespiratory scenarios. Their ability to complete an ACES scan independently was assessed. Data was analyzed using R software. RESULTS: Participants independently generated 574 (99.7%) of the 576 expected ultrasound windows during the 72 simulated scenarios and correctly interpreted 67 (93%) of the 72 goal-directed PoCUS scans. CONCLUSIONS: Following a focused training process using medical simulation, medical learners demonstrated an ability to achieve a degree of competency to both acquire and correctly interpret cardiorespiratory PoCUS findings using a high-fidelity ultrasound simulator.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».