Impact of simulator-based training on acquisition of transthoracic echocardiography skills in medical students
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
<br><b>Introduction:</b> Due to the expanding role of ultrasound as a diagnostic tool in modern medicine, medical schools rapidly include ultrasound training in their curriculum. The objective of this study was to compare simulator-based training along with classical teaching, using human models, to impart focused transthoracic echocardiography examination. <b>Subject and Methods:</b> A total of 22 medical students, with no former transthoracic echocardiography training, undertook a 90-min e-learning module, dealing with focused echocardiography and important echocardiographic pathologies. Subsequently, they had to complete a multiple-choice-questioner, followed by a 120-min practical training session either on the Heartworks™, (Cardiff, UK) and the CAE Vimedix<sup>®</sup>, (Québec, Canada) simulator (<i>n</i> = 10) or on a live human model (<i>n</i> = 12). Finally, both groups had to complete a post-test consisting of ten video-based multiple-choice-questions and a time-based, focused echocardiography examination on another human model. Two blinded expert observers scored each acquired loop which recorded 2 s of each standard view. Statistical analysis was performed with SPPS 24 (SPSS™ 24, IBM, USA) using the Mann-Whitney-Test to compare both groups. <b>Results:</b> Analysis of measurable outcome skills showed no significant difference between transthoracic echocardiography training on human models and high-fidelity simulators for undergraduate medical students. <b>Conclusions:</b> Both teaching methods are effective and lead to the intended level of knowledge and skills.<br>
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,000 |
| 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