Consensus Core Point‐of‐care Ultrasound Applications for Pediatric Emergency Medicine Training
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
Abstract Background Pediatric emergency medicine ( PEM ) physicians have variably incorporated point‐of‐care ultrasound ( POCUS ) into their practice. Prior guidelines describe the scope of POCUS practice for PEM physicians; however, consensus does not yet exist about which applications should be prioritized and taught as fundamental skills for PEM trainees. Members of the PEM POCUS Network (P2Network) conducted a consensus‐building process to determine which applications to incorporate into PEM fellowship training. Methods A multinational group of experts in PEM POCUS was recruited from the P2Network and greater PEM POCUS community if they met the following criteria: performed over 1,000 POCUS scans and had at least 3 years of experience teaching POCUS to PEM fellows, were a local academic POCUS leader, or completed a formal PEM POCUS fellowship. Experts rated 60 possible PEM POCUS applications for their importance to include as part of a PEM fellowship curriculum using a modified Delphi consensus‐building technique. Results In round 1, 66 of 92 (72%) participants responded to an e‐mail survey of which 48 met expert criteria and completed the survey. Consensus was reached to include 18 items in a PEM fellowship curriculum and to exclude two items. The 40 remaining items and seven additional items were considered in round 2. Thirty‐seven of 48 (77%) experts completed round 2 reaching consensus to include three more items and exclude five. The remaining 39 items did not reach consensus for inclusion or exclusion. Conclusion Experts reached consensus on 21 core POCUS applications to include in PEM fellowship curricula.
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 | 0,000 | 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) | 0,001 | 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 découle