A unique method for estimating the reliability learning curve of optic nerve sheath diameter ultrasound measurement
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Optic nerve sheath diameter (ONSD) measurement using ultrasound has been proposed as a rapid, non-invasive, point of care technique to estimate intra-cranial pressure (ICP). Ultrasonic measurement of the optic nerve sheath can be quite challenging and there is limited literature surrounding learning curves for this technique. We attempted to develop a method to estimate the reliability learning curve for ONSD measurement utilizing a unique definition of reliability: a plateau in within-subject variability with unchanged between-subject variability. METHODS: As part of a previously published study, a single operator measured the ONSD in 120 healthy volunteers over a 6-month period. Utilizing the assumption that the four measurements made on each subject during this study should be equal, the relationship of within-subject variance was described using a quadratic-plateau model as assessed by segmental polynomial (knot) regression. RESULTS: Segmental polynomial (knot) regression revealed a plateau in within-subject variance after the 21st subject. However, there was no difference in overall mean values [3.69 vs 3.68 mm (p = 0.884)] or between-subject variance [14.49 vs 11.92 (p = 0.54)] above or below this cutoff. CONCLUSIONS: This study suggests a significant finite learning curve associated with ONSD measurements. It also offers a unique method of calculating the learning curve associated with ONSD measurement.
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.
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 | 0,006 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle