Randomized controlled study of the prediction of diminutive/small colorectal polyp histology using didactic versus computer‐based self‐learning module in gastroenterology trainees
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 AND AIM: The aim of this randomized trial was to evaluate the performance of self-training versus didactic training in order to increase the diagnostic accuracy of diminutive/small colonic polyp histological prediction by trainees. METHODS: Sixteen trainees reviewed 78 videos (48 iSCAN-OE and 30 NBI) of diminutive/small polyps in a pretraining assessment. Trainees were randomized to receive computer-based self-learning (n = 8) or didactic training (n = 8) using identical teaching materials and videos. The same 78 videos, in a different randomized order, were assessed. The NICE (NBI International Colorectal Endoscopic) and SIMPLE (Simplified Identification Method for Polyp Labeling during Endoscopy) classification systems were used to classify diminutive/small polyps. RESULTS: A higher proportion of high-confidence predictions of polyps was made by the self-training group versus the didactic group using both the SIMPLE classification (77.1% [95% CI 73.4-80.3] vs 69.9% [95% CI 66.1-73.5%] [P = 0.005]) and the NICE classification (77% [95% CI 73.2-80.4%] vs 69.8% [95% CI 66-73.4%] [P = 0.006]). When using NICE, sensitivity of the self-training group compared with the didactic group was 72% versus 83% (P = 0.0005), and the accuracy was 66.1% versus 69.1%. The training improved the confidence of participants and SIMPLE was preferred over NICE. CONCLUSION: Self-learning for the prediction of diminutive/small polyp histology is a method of training that can achieve results similar to didactic training. Availability of adequate self-learning teaching modules could enable widespread implementation of optical diagnosis in clinical practice.
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 | 0,000 |
| 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 découle