Teaching Point-of-Care Ultrasound in Medicine
Notice bibliographique
Résumé
Point-of-care ultrasound (POCUS) is an important tool for diagnosis and management across medical specialties. This scoping review consolidates POCUS education literature, examining how curricula are developed, implemented, and assessed. We identify literature gaps, explore directions for further research, and provide recommendations for curriculum development, implementation, and improvement. Methods We conducted a scoping review per the framework outlined by Arksey & O’Malley. A systematic search of the MEDLINE, EMBASE, Cochrane, ERIC, Web of Science, and Scopus databases was conducted to identify published, English language literature, on POCUS education in undergraduate or graduate medical training. Results Of 6,164 articles identified, 421 were analyzed in depth. Curricular content included diverse diagnostic and therapeutic applications, varying significantly by specialty. Teaching modalities included in-person didactics (74%), human models (58%), simulation (33%), and web-based didactics (18%). Several studies showed better outcomes for structured vs. apprenticeship curricula, hands-on teaching vs. didactic lectures, and human models vs. simulators. Web-based didactics were as effective as in-person didactics and conveyed benefits in reusability, cost, and instructor time. Dedicated electives and boot-camps were identified as effective. Few curricula assessed knowledge retention (5%), clinical decision making (3%), learner behavior (12%), or patient outcomes (6%). Conclusion Scholarly POCUS education literature is expanding. Curricular content varies and should be tailored to specialty needs. Structured curricula utilizing hands-on learning, electives, and bootcamps can enhance educational outcomes. Higher-level outcomes such as knowledge retention, clinical decision making, learner behavior, and patient outcomes, are lacking and should be a focus of further research
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 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 | 0,006 |
| 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 | 0,001 |
| 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) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».