Attitudes and experience of urology trainees in interpreting prostate magnetic resonance imaging
Notice bibliographique
Résumé
INTRODUCTION: Multiparametric magnetic resonance imaging (mpMRI) has resulted in accurate prostate cancer localization and image-guided targeted sampling for biopsy. Despite its more recent uptake, knowledge gaps in interpretation and reporting exist. Our objective was to determine the need for an educational intervention among urology residents working with mpMRIs. METHODS: We administered an anonymous, cross-sectional, self-report questionnaire to a convenience sample of urology residents in U.S. and Canadian training programs. The survey included both open- and closed-ended questions employing a five-point Likert scale. It was designed to assess familiarity, exposure, experience, and comfort with interpretation of mpMRI. RESULTS: Fifty-three surveys were completed by residents in postgraduate years (PGY) 1-5 and of these, only 12 (23%) reported any formal training in mpMRI interpretation. Most residents' responses demonstrated significant experience with prostate biopsies, as well as familiarity with reviewing mpMRI for these patients. However, mean (± standard deviation [SD]) Likert responses suggested a relatively poor understanding of the components of Prostate Imaging-Reporting and Data System (PI-RADS) v2 scoring for T2-weighted films (2.45±1.01), diffusion-weighted imaging (DWI) films (2.26±0.90), and dynamic contrast-enhanced (DCE) films (2.21±0.99). Similar disagreement scores were observed for questions around interpretation of the different functional techniques of MRI images. Residents reported strong interest (4.21±0.91) in learning opportunities to enhance their ability to interpret mpMRI. CONCLUSIONS: While mpMRI of the prostate is a tool frequently used by care teams in teaching centers to identify suspicious prostate cancer lesions, there remain knowledge gaps in the ability of trainees to interpret images and understand PI-RADS v2 scoring. Online modules were suggested to balance the needs of trainee education with the residency workflow.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».