Teaching and evaluation of basic urodynamic skills in urology residency programs: Randomized controlled study
Notice bibliographique
Résumé
AIMS: Considering the growing role of urodynamic studies (UDS) in urology, we aimed to determine the most effective teaching method with objective evaluation for urodynamic skills, to improve training and patient care. METHODS: Urology residents (n = 20) post-graduate years 3-5 were randomized to receive either a UDS video training module or a standard UDS teaching document one week prior to an objective structured clinical examination (OSCE). The OSCE was a validated visual recognition exam with interpretation of 12 UDS tracing scenarios. Participants rated their proficiency to interpret UDS tracings before doing the OSCE. Total interpretation score was determined by the accuracy of their response to each question ranging from 0 to 2. RESULTS: The mean total interpretation score was 13.3 of 24 (55%). The video group achieved significantly higher interpretation scores (15.1 ± 2.08 vs 11.4 ± 2.41, P = 0.0017), and cumulative certainty scores (P = 0.0341). Overall interpretation scores significantly correlated with self-reported proficiency scores prior to the exam (r = 0.502, P < 0.05), and total certainty scores (r = 0.531, P < 0.05). CONCLUSIONS: Reviewing a UDS video training module resulted in significantly better scores on objective assessment of urology residents' UDS interpretation skills when compared with a standard teaching document. These findings must be interpreted with caution in light of sample size and short knowledge retention required for the assessment within a week. Therefore, using a UDS video training module could be more effective review tool for urology residents. These findings highlight the need to incorporate multimedia teaching into urology training 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 | 0,005 | 0,003 |
| 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) | 0,000 | 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 ».