Teaching ultrasound‐guided regional anesthesia remotely: a feasibility study
Notice bibliographique
Résumé
BACKGROUND: Ultrasound-guided regional anesthesia (UGRA) requires acquisition of new skills. Learning requires one-on-one teaching, and can be limited by time and mentor availability. We investigate whether the skills required for UGRA can be developed and subsequently assessed remotely using a novel online teaching platform. This platform was developed at the University of Toronto to teach laparoscopic surgery remotely and has been termed Telesimulation. METHODS: Anesthesia Site Chiefs at 10 hospitals across Ontario were sent a letter inviting their anesthesia teams to participate in an UGRA remote training program. Four to five anesthetists from each site were recruited from the first four hospitals expressing interest. Simulation models and ultrasound machines were set up at each location and connected via Skype(™) and web cameras with the Telesimulation center at our hospital. Training consisted of four online sessions and one offline lecture in order to teach an ultrasound-guided supraclavicular block. Participants were evaluated before and after training by on-site and off-site assessors using a validated Checklist and Global Rating Scale (GRS). RESULTS: Nineteen staff anesthetists were recruited. Post-training scores were significantly higher across both assessment tools, on-site (P < 0.001) and off-site training locations (P = 0.003). The inter-rater reliability between on-site and remote training site ratings was good for the Checklist (ICC = 0.672, 95% CI: 0.369-0.830) and excellent for the GRS (ICC = 0.847, 95% CI: 0.706-0.921). CONCLUSION: This study demonstrates that UGRA can be taught remotely. Future research will focus on comparing this method to on-site teaching and its application in resource-restricted countries.
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) | 0,001 | 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 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 ».