Training Primary Care Physicians in Dermoscopy for Skin Cancer Detection: a Scoping Review
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
In many countries, patients with concerning skin lesions will first consult a primary care physician (PCP). Dermoscopy has an evidence base supporting its use in primary care for skin cancer detection, but need for training has been cited as a key barrier to its use. How PCPs train to use dermoscopy is unclear. A scoping literature review was carried out to examine what is known from the published literature about PCP training in dermoscopy. The methodological steps taken in this review followed those described by Arksey and O'Malley, as revised by Levac et al. Four electronic databases were searched for evidence published up to June 2018. Sixteen articles were identified for analysis, all published since 2000. Ten training programs were identified all of which addressed dermoscopy of pigmented skin lesions, among other topics. Ten articles reported on a range of outcomes measured after training and showed generally positive results in terms of improved diagnostic performance, although no meta-analysis was conducted. However, it was unclear whether trained PCPs continued to use dermoscopy after training. Observational questionnaire data revealed that many PCPs use dermoscopy in practice without any formal training. The literature generally supports the use of dermoscopy by PCPs, but it is unclear whether current training leads to long-term change in PCPs' use of dermoscopy in clinical practice. Understanding this problem, as well as exploring PCPs' training needs, is essential to develop training programs that will facilitate the uptake and use of dermoscopy in primary care.
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) | 0,002 | 0,001 |
| 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