International trial of online auditory training programme for distinguishing innocent and pathological murmurs
Notice bibliographique
Résumé
AIM: Recognition of normal and abnormal heart sounds and murmurs is an important but declining clinical skill among practitioners. Current teaching methods are often ineffective. This may result from inadequate repetition and normal-abnormal comparisons needed for auditory recognition. This paper describes a rapid new method of teaching murmur recognition using principles of auditory training. METHODS: Participants were 120 Australian and 42 Canadian medical students. The medical students were randomised to intervention and control (no intervention) groups. The 1-h online programme structured like a computer game used auditory training methodology to teach students to distinguish between innocent and pathological murmurs. Participants underwent pre- and post-testing on 20 paediatric murmurs. Post-testing occurred immediately following training and after 2 months. Twenty-two Canadian medical students were retested 1 year later with a brief mastery-style reinforcement programme. RESULTS: Median pre- and post-test scores improved in about 1 h from 75-95% (P < 0.001) for Australian students and 85-95% (P = 0.004) for Canadian students. Two-month post-test scores declined for Australian students to 85% (P = 0.001), and for Canadian students to 85% (P = 0.02). Australian controls had no significant change during the study period, whereas Canadian controls improved slightly. The group receiving reinforcement after 1 year had a median final score of 90%. CONCLUSIONS: This auditory training programme rapidly teaches students to distinguish innocent and pathological murmurs with at least 90% accuracy. The skill declines within 2 months but can be restored with brief mastery reinforcement 1 year later.
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 | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».