From da Vinci to definitive diagnosis: how training in sports ultrasound harnesses sound, science and skill
Notice bibliographique
Résumé
Viennese neurologist Dr Karl Dussik’s 1942 paper Uber die Moglichkeit hochfrequente mechanische schwingingen als diagnosticsches hilfsmittel zu verwerten (On the possibility of using ultrasound waves as a diagnostic aid)1 could be considered the precursor of modern ultrasound curricula, building on scientific findings that began with Leonardo da Vinci, who first recorded experiments listening to sound transmitted through water by placing a tube into the sea to evaluate what he could hear as early as 1490. Medical use of ultrasound was popularised in gynaecology and obstetrics from the 1950s. Other fields such as cardiology, surgery, urology and vascular medicine followed in channelling the diagnostic power of ultrasound technology.2 Musculoskeletal medicine and the application of ultrasound in sports settings had a relatively late start. In 1996, Gibbon published the first textbook on the topic, “Musculoskeletal Ultrasound: The Essentials” describing a “mini-atlas of the normal and abnormal sonographic appearances of the adult joints”.3 The reach of musculoskeletal ultrasound into Sports and Exercise Medicine (SEM) practice and curricula is disparate, varying in several aspects including quality, regulation and accessibility. Such discrepancies may be further exaggerated by varying image resolution concomitant with equipment features and cost. In the UK, ultrasound training is not a mandatory part of the SEM curriculum but is seen as an additional sub-speciality skill. It is usually achieved via an instructional course and then a written and practical assessment, leading to a Certificate of Competence. The …
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 | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,029 | 0,011 |
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 ».