Intensive point‐of‐care ultrasound training with long‐term follow‐up in a cohort of Rwandan physicians
Notice bibliographique
Résumé
OBJECTIVE: We delivered a point-of-care ultrasound training programme in a resource-limited setting in Rwanda, and sought to determine participants' knowledge and skill retention. We also measured trainees' assessment of the usefulness of ultrasound in clinical practice. METHODS: This was a prospective cohort study of 17 Rwandan physicians participating in a point-of-care ultrasound training programme. The follow-up period was 1 year. Participants completed a 10-day ultrasound course, with follow-up training delivered over the subsequent 12 months. Trainee knowledge acquisition and skill retention were assessed via observed structured clinical examinations (OSCEs) administered at six points during the study, and an image-based assessment completed at three points. RESULTS: Trainees reported minimal structured ultrasound education and little confidence using point-of-care ultrasound before the training. Mean scores on the image-based assessment increased from 36.9% (95% CI 32-41.8%) before the initial 10-day training to 74.3% afterwards (95% CI 69.4-79.2; P < 0.001). The mean score on the initial OSCE after the introductory course was 81.7% (95% CI 78-85.4%). The mean OSCE performance at each subsequent evaluation was at least 75%, and the mean OSCE score at the 58-week follow up was 84.9% (95% CI 80.9-88.9%). CONCLUSIONS: Physicians providing acute care in a resource-limited setting demonstrated sustained improvement in their ultrasound knowledge and skill 1 year after completing a clinical ultrasound training programme. They also reported improvements in their ability to provide patient care and in job satisfaction.
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 | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 ».