Determination of Endovaginal Ultrasound Proficiency and Learning Curve Among Emergency Medicine Trainees
Notice bibliographique
Résumé
OBJECTIVES: Performing and interpreting endovaginal ultrasound is an important skill used during the evaluation of obstetric and gynecologic emergencies. This study aims to describe the level of proficiency and confidence achieved after performing 25 endovaginal examinations. METHODS: This is a prospective study at a single urban academic emergency department. Participants performed a minimum of 25 endovaginal ultrasounds under the supervision of a point-of-care ultrasound expert. Anatomical structures were identified by the expert under ultrasound prior to each session. Each examination was scored for agreement of findings between the participant and expert. The data were used to develop a performance curve identifying when proficiency was achieved, where experiential benefit diminished, and when participants felt confident. RESULTS: A total of 1117 endovaginal ultrasound examinations were performed by 50 participants. Agreement after 25 examinations was highest (>95%) for probe insertion and preparation, bladder and uterus identification, and directionality. Agreement was lowest for identification of the ovaries (76%). Experiential benefit plateaus occurred earliest (10 exams) for preparation and insertion followed by bladder identification and directionality. Surprisingly, ovarian experiential benefit plateaued at 16 exams. Participant confidence improved overall and was lowest for the identification of ovaries and abnormal pelvic anatomy. CONCLUSIONS: There is a significant learning curve when performing endovaginal ultrasound. Our data do not support the use of 25 examinations as a minimum standard for identification of the ovaries or abnormal ovarian pathology.
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 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».