Back to Anatomy: Improving Landmarking Accuracy of Clinical Procedures Using a Novel Approach to Procedural Teaching
Notice bibliographique
Résumé
OBJECTIVES: Many believe that knowledge of anatomy is essential for performing clinical procedures; however, unlike their surgical counterparts, internal medicine (IM) programs rarely incorporate anatomy review into procedural teaching. This study tested the hypothesis that an educational intervention focused on teaching relevant surface and underlying anatomy would result in improved bone marrow procedure landmarking accuracy. METHODS: This was a preintervention-postintervention prospective study on landmarking accuracy of consenting IM residents attending their mandatory academic half-day. The intervention included an interactive video and visualization exercise; the video was developed specifically to teach the relevant underlying anatomy and includes views of live volunteers, cadavers, and skeletons. RESULTS: Thirty-one IM residents participated. At pretest, 48% (15/31) of residents landmarked accurately. Inaccuracy of pretest landmarking varied widely (n = 16, mean 20.06 mm; standard deviation 30.03 mm). At posttest, 74% (23/31) of residents accurately performed the procedure. McNemar test revealed a nonsignificant trend toward increased performance at posttest (P = 0.076; unadjusted odds for discordant pairs 3; 95% confidence interval 0.97-9.3). The Wilcoxon signed rank test demonstrated a significant difference between pre- and posttest accuracy in the 16 residents who were inaccurate at pretest (P = 0.004). No association was detected between participant baseline characteristics and pretest accuracy. CONCLUSIONS: This study demonstrates that residents who were initially inaccurate were able to significantly improve their landmarking skills by interacting with an educational tool emphasizing the relation between the surface and underlying anatomy. Our results support the use of basic anatomy in teaching bone marrow procedures. Results also support the proper use of video as an effective means for incorporating anatomy teaching around procedural skills.
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 | 0,001 | 0,004 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».