Development of a novel pediatric point‐of‐care ultrasound question bank using a modified Delphi process
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Measuring pediatric emergency medicine (PEM) fellow competency in point-of-care ultrasound (POCUS) is important for ensuring adequate training and performance. Assessment may include direct observation, image review, quality assessment, and written examination. The purpose of this study was to develop a pediatric POCUS question bank that could subsequently be used as a POCUS assessment for graduating PEM fellows. METHODS: We organized a 10-person question writing group (QWG). Eight hold expertise in POCUS and two hold expertise in medical education. Members of the QWG created questions within four domains: interpretation/diagnosis (50% of questions), anatomy (30%), physics (10%), and pitfalls (10%). POCUS faculty ascertained content validity and the medical education faculty revised questions for syntax and readability. In 2016, we recruited 31 pediatric POCUS experts. The majority were members of the P2 Network, an international group of experts and leaders in PEM POCUS, to participate in three iterative rounds of a modified Delphi process to review, revise, and establish consensus on the question bank. RESULTS: = 47) in the final round. The final question bank included 393 questions covering 17 pediatric POCUS applications. CONCLUSION: We developed a 393-question bank to aid in the assessment of PEM POCUS competency. Future work includes piloting the questions with PEM fellows to evaluate the response process and implementing the assessment tool to establish a minimum passing score.
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 | 0,000 | 0,001 |
| 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 ».