MétaCan
Menu
Retour à la cohorte
Enregistrement W3110997080

The use of veterinary point-of-care ultrasound by veterinarians: A nationwide Canadian survey.

2020· article· en· W3110997080 sur OpenAlexaffabout
Jennifer Pelchat, Serge Chalhoub, Søren Boysen

Notice bibliographique

RevuePubMed · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueUltrasound in Clinical Applications
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésMedicinePoint of care ultrasoundFocused assessment with sonography for traumaPleural effusionUltrasoundConfidence intervalRadiologyBluntInternal medicineAbdominal trauma
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This survey assessed how veterinary point-of-care ultrasound (VPOCUS), including abdominal and thoracic focused assessment with sonography for trauma (AFAST, TFAST), is used across Canada. Seventy-four veterinarians completed an online survey; 88% (65/74) used ultrasound, 94% (61/65) performed AFAST, and 69% (45/65) performed TFAST. Reasons for not performing VPOCUS included no machine/poor quality machine, lack of experience/confidence, and lack of training/education. Abdominal effusion, and pleural and pericardial effusion were the most frequently diagnosed AFAST and TFAST pathologies, respectively. Lung and cardiovascular ultrasound examinations were infrequently performed. Subpleural consolidation was rarely included in VPOCUS. Most respondents performed VPOCUS, with AFAST being more frequently and confidently preformed than TFAST. More training, education, and standardization of techniques appear to be key elements to help build confidence and experience, particularly with regard to TFAST applications and diagnosis.

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)0,007
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,131
Score d'incertitude au seuil0,992

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
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 Opus0,146
Tête enseignante GPT0,310
Écart entre enseignants0,164 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations14
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePubMedMême sujetUltrasound in Clinical ApplicationsTravaux en français237 207