Point-of-care diagnostic lung ultrasound is highly applicable to the practice of medicine in Saudi Arabia but the current skills gap limits its use
Notice bibliographique
Résumé
CONTEXT: Coronavirus disease 2019 (COVID-19) has put a spotlight on point-of-care diagnostic lung ultrasound (POCDLUS). However, the spectra of respiratory disease and resources available for investigation vary internationally. The applicability of POCDLUS to internal medicine (IM) practice in Saudi Arabia and the current use by Saudi physicians are unknown. AIMS: The aim of the present study was to determine the applicability of POCDLUS to IM practice in Saudi Arabia and quantify the residents' current skills, accreditation, and use of POCDLUS. METHODS: A questionnaire was distributed to the IM residents at our institution to assess their knowledge, use of POCDLUS, and their perceptions of its applicability in IM. STATISTICAL ANALYSIS: Standard descriptive statistical techniques were used. Categorical data, presented as frequency, were compared using the Chi-squared test. The Likert scale responses, presented as mean ± standard deviation, were compared with a Student's t-test. RESULTS: = 7) had received training, nine used POCDLUS regularly, none were accredited and the overall self-reported level of knowledge was poor. CONCLUSIONS: Whilst POCDLUS is applicable to IM practice in Saudi Arabia, the significant skills gap preclude the provision of a POCDLUS service. As COVID-19 can cause an interstitial syndrome, our pandemic preparation response should include POCDLUS training. The current study is supported by a similar Canadian study and the international standardisation of POCDLUS training may be feasible. The findings of the current study may facilitate the development of POCDLUS training programs for internists throughout Saudi Arabia.
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 | 0,003 | 0,095 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».