MétaCan
Menu
Retour à la cohorte
Enregistrement W3021006541 · doi:10.21037/jtd.2020.03.104

Standardizing education in interventional pulmonology in the midst of technological change

2020· review· en· W3021006541 sur OpenAlexaboutno aff
Waqas Aslam, Hans J. Lee, Carla Lamb

Notice bibliographique

RevueJournal of Thoracic Disease · 2020
Typereview
Langueen
DomaineMedicine
ThématiqueLung Cancer Diagnosis and Treatment
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineAccreditationStandardizationSubspecialtyMedical physicsCurriculumPulmonologyMedical educationPulmonologistEndobronchial ultrasoundGraduate medical educationRadiologyBronchoscopyIntensive care medicinePathologyInternal medicineComputer science

Résumé

récupéré en direct d'OpenAlex

Interventional pulmonology (IP) is a maturing subspecialty of pulmonary medicine. The robust innovation in technology demands standardization in IP training with both disease and technology driven training. Simulation based training should be considered a part of IP training as seen in other procedural and surgical subspecialties. Procedure volume is a component of training; however, this does not guarantee or translate into competency for learners. Basic competency skills can be assessed using standardized well validated assessment tools designed for various IP procedures including flexible bronchoscopy, endobronchial ultrasound guided transbronchial needle aspiration (EBUS TBNA), rigid bronchoscopy and chest tube placement; however, further work is needed to validate tools in all procedures as new technologies are introduced beyond fellowship training. Currently there are at least 39 IP fellowship programs in the United States (US) and Canada which has led to improved training by accreditation of programs who meet rigorous requirements of standardized curriculum and procedural volume. The challenge is to be innovative in how we teach globally with intention and how to best integrate new evolving technology training for those not only during fellowship training but also beyond fellowship training.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,978
Score d'incertitude au seuil0,356

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,095
Tête enseignante GPT0,473
Écart entre enseignants0,378 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Thoracic DiseaseMême sujetLung Cancer Diagnosis and TreatmentTravaux en français237 207