Sport concussion knowledge base and current practice: a survey of selected physician sections from the ontario medical association
Notice bibliographique
Résumé
Objective To examine knowledge base/practice patterns regarding sport concussion in two physician populations. Design On-line survey. Setting Ontario, Canada. Participants Physicians from Ontario Medical Association, Sections of: Sport & Exercise Medicine (SEM), General & Family Practice (SGFP). Intervention Emailed survey, 2 reminders. Outcome measures Knowledge base/practice patterns; learning methods: current/preferred. Main results Participants SEM 92/594 (15.5%), SGFP 270/12,168 (2.2%); 51 (13.4%) members of both. More SEM physicians saw >5 children (<18 years) with concussions/month (40.2% SEM, 9.5% SGFP; p =< 0.001). Tools Clinical examination; Sport Concussion Assessment Tool (SCAT/SCAT2) (68.4% SEM, 34.1% SGFP; p<0.001); balance testing (56.5% SEM, 37.4% SGFP; p=0.001); computerised neurocognitive testing (23.9% SEM, 1.9% SGFP; p<0.001); concussion grading scales (9.8% SEM, 14.1% SGFP; p<0.001).Management:Physical rest (65.2% SEM, 68.5% SGFP); modified school/work until symptom resolution (50.0% SEM, 38.5% SGFP; p=0.026); no cognitive rest (3.2% SEM, 9.6% SGFP; p=0.026). Return-to-play: Clinical examination; SCAT/SCAT2 (60.8% SEM, 29.6% SGFP; p<0.001); balance testing (56.5% SEM, 37.4% SGFP; p<0.001); computerised neurocognitive testing (35.9% SEM, 2.2% SGFP; p<0.001); concussion grading scales (7.6% SEM, 9.6% SGFP). Learning sources colleagues (55.4% SEM, 27.8% SGFP; p<0.001); specialists (33.7% SEM, 23.7% SGFP; p=0.030); continuing medical education (CME) courses/conferences (67.4% SEM, 54.7% SGFP; p=0.017; preferred: 85.9% SEM, 73.9% SGFP; p=0.006); journals/publications (48.9% SEM, 25.2% SGFP; p<0.001); websites (35.8% SEM, 32.2% SGFP; preferred: 35.9% SEM, 47.8% SGFP; p=0.024); medical school/residency training (19.6% SEM, 17.4% SGFP; preferred: 37.0% SEM, 47.8% SGFP). Conclusions Gaps exist between consensus-based recommendations and current practice patterns. Enhanced medical school/residency training and additional CME initiatives are recommended. Competing interests None.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».