Simulator-Based Training in FoCUS with Skill-Based Metrics for Feedback: An Efficacy Study
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
Introduction: Focused Cardiac Ultrasound (FoCUS) is a relatively new technology that requires training and mentoring. The use of a FoCUS simulator is a novel training method that may prompt greater adoption of this technology by physicians at different levels of training and experience. The objective of this study was to determine if simulation training using an advanced echo simulator (Real Ultrasound®) is a feasible means of delivering training in FoCUS. Methods: Twenty-five residents and attending physicians participated in this study. After performing a pretest, training on the Real Ultrasound® was administered. Improvement was assessed immediately after simulator training. Additionally, some participants were retested six months after training to determine whether learned skills were retained. Results: Of the 25 participants recruited, all completed the pretest phase, and 17 completed the training and immediate posttest assessment. At pretest, the median angular deviation of acquired images from anatomically correct was 37°, which improved to 30° after training (p<0.002). Technical skill was largely maintained at six months of follow-up, with a median angle error of 27 and 31°, respectively (p=0.093) in 8 participants who completed the post and six-month retention assessments. The median pretest image interpretation score improved from 55% to 70% (p=0.028); median post and six month scores in the 8 participants were 72 and 68%, respectively (p=0.735). Conclusions: Simulation training in FoCUS significantly improves skills in image acquisition. These skills appear to be retained over time. This study adds support for the use of advanced echocardiographic simulators to enhance formal FoCUS training in a real-world setting.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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