MétaCan
Menu
← Retour à la cohorte
Enregistrement W3217463710 · doi:10.1183/13993003.congress-2021.pa3368

Feasibility of a virtual multiple breath washout training program

2021· article· en· W3217463710 sur OpenAlexaff
Jacky Au, Clare Saunders, Paul D. Robinson, Christopher Short, Anneliese Blaxland, Ryan Alexander Seeto, Julia Guido, Sara Santos, Maryjess Pornillos, Renée Jensen, Jane C. Davies, Félix Ratjen

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineMedicine
ThématiqueRespiratory viral infections research
Établissements canadiensHospital for Sick Children
Organismes subventionnairesEngineering and Physical Sciences Research Council
Mots-clésLikert scaleTest (biology)MedicineTraining (meteorology)Virtual realityVirtual learning environmentMedical educationMultimediaMedical physicsComputer scienceHuman–computer interactionStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

To maintain multiple breath washout (MBW) training capacity for clinical trials during the COVID-19 pandemic we developed a virtual alternative to in-person training. Here we report the feasibility of a fully virtual training program for the Exhalyzer® D (EcoMedics AG, CH) MBW device. Mixed media eLearning modules (Articulate) and a live webinar were developed and added to existing training components. Virtual training included 4 eLearning modules, a webinar and knowledge test on device calibration, MBW testing and test quality control. Participants were asked to complete a feedback survey (5-point Likert scale) at the end of training. Trainees then underwent the standard MBW qualification procedure. To date, 111 MBW naïve participants from 57 sites across North America, Europe and Australia have completed virtual training. 50% (56/111) trainees completed the feedback survey, 93% (52/56) gave positive feedback regarding the design and ease of use of the virtual components. 93% (52/56) either agreed or strongly agreed that the modules enhanced their learning experience. However, only 59% (33/56) felt confident in conducting a MBW test after completing the training, which is lower than previously reported for in-person training (88/103; 85%). To date, 30 trainees have attempted qualification with 100% (30/30) success, which is comparable to past in-person training (54/57; 95%) (Au JWY., et al. Pediatr Pulmonol. 2018; 53(S2): 777). Virtual MBW training is feasible and can effectively expand capacity; initial feedback indicates that a combination of virtual and hands-on learning may still be preferred. Enriching virtual resources allows us to reduce in-person requirements and increase flexibility of training. Funded by CFF

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,043

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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.

Tête enseignante Opus0,181
Tête enseignante GPT0,442
Écart entre enseignants0,261 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetRespiratory viral infections research→Travaux en français237 207→