Development and Validation of a Model for Training Equine Phlebotomy and Intramuscular Injection Skills
Notice bibliographique
Résumé
Simulation in veterinary education offers a solution for bridging the gap between observation and performance of clinical skills. An equine neck model was created that allows repetitive practice of jugular phlebotomy, intramuscular (IM) injection, and intravenous catheterization. The aim of this study was to validate the model for jugular phlebotomy and IM injection. We surveyed experienced veterinarians on the model's realism and the comprehensiveness of its features. In a randomized experimental study, we compared the learning outcomes of first-year veterinary students trained on the model (n=48) and students trained on equine head-neck cadavers (n=45). There was no difference in post-training performance of phlebotomy on the live horse between cadaver-trained students and model-trained students when assessed by a checklist (cadaver 6.87±0.33; model 6.89±0.77; p=.99) or a global rating scale (cadaver 5.23±0.87; model 5.32±0.77; p=.78). No difference was found between post-training scores for IM injection when assessed by checklist (cadaver 6.87±0.34; model 6.89±0.31; p=.76) or global rating scale (cadaver 5.23±0.87; model 5.32±0.77; p=.75). Veterinarians (n=7) found this low-fidelity model acceptable and supported its use as a training tool for veterinary students. Students reported in a post-lab survey that they felt models were as helpful as cadavers for learning the procedures. These results support the use of the model as a component of first-year veterinary student curriculum.
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 ».