Validation of a Novel Ultrasound Simulation Model for Teaching Foundation-Level Ultrasonography Skills to Veterinary Students
Notice bibliographique
Résumé
Veterinary ultrasonography is a complex, advanced skill requiring repetitive exposure and supervision to gain competence. Consequently, newly graduated veterinarians are underprepared and lack the resources to achieve basic ultrasound proficiency upon graduation. Ultrasound simulation has been proposed as an adjunct educational tool for teaching entry-level ultrasound skills to student veterinarians. The objectives of this multicentric prospective observational cohort study were to describe the development of a novel ultrasound training model, establish model construct and face validity, and seek participant feedback. The model was constructed using three-dimensional silicone shapes embedded in ballistics gel within a glass container. A novice cohort of 15 veterinary students and 14 expert participants were prospectively enrolled in the study. Each cohort underwent training and assessment phases using a simulation model. Participants were asked to (a) determine shape location, (b) identify shape type using a shape bank, and (c) measure shape axes using the caliper tool. Time for each phase was recorded. Anonymous post-participation survey feedback was obtained. For most shapes (4/6), experts performed significantly better than novices in identifying shape type and location. Generally, no significant difference was found in mean axis shape measurements between cohorts or compared to the true mean axis measurements. No significant difference was found in scan time for either phase. This study's results support the validation of this ultrasound simulation model and may demonstrate early evidence for its use as a training tool in the veterinary curriculum to teach entry-level ultrasound skills.
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 | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».