The prevalence and patterns of use of point-of-care ultrasound in Newfoundland and Labrador
Notice bibliographique
Résumé
INTRODUCTION: Point-of-care ultrasound (POCUS) is used for diagnostic and procedural guidance by physicians in Newfoundland and Labrador (NL). POCUS use is largely limited to urban locations and the training is variable amongst physicians. The primary aim of this study was to determine the prevalence of POCUS devices in NL and the secondary aim was to characterise the patterns of POCUS use amongst physicians in NL. METHODS: This is a mixed-methods cross-sectional study. We determined the prevalence of POCUS devices from purchase records and the patterns of POCUS use through theme-based interviews. The interviews were transcribed, coded and analysed using standardised qualitative methods. RESULTS: Ten physicians (3 females, 5 rural) participated in the interviews. The overall prevalence of POCUS devices in NL was 12.5/100,000 population. Participants in urban areas had more access to POCUS training and devices. Participants used POCUS on a daily or weekly basis to rule in or out life-threatening conditions and improve access to specialist care. The benefits of POCUS included expedited investigations, decreased radiation and increased patient satisfaction. The barriers to using POCUS were lack of training, time, devices, image archiving software, difficulty generating and interpreting images and patient body habitus. CONCLUSION: This is the first study to our knowledge to report the prevalence of POCUS devices in Canada. Physicians who practise in rural NL have limited access to POCUS devices and have identified barriers to POCUS training. Connecting physicians in rural areas with POCUS experts through a province-wide POCUS network may address these barriers and improve healthcare access.
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 | 0,004 |
| 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 | 0,001 |
| 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 ».