Battle of the axes: Simulation-based assessment of fine needle aspiration biopsies for thyroid nodules
Notice bibliographique
Résumé
IMPORTANCE: Ultrasound-guided fine-needle aspiration biopsies (UGFNA) play a crucial role in the diagnosis of thyroid nodules. There are two techniques for performing an UGFNA: short-axis technique and long-axis technique. There is sparsity in the literature regarding the differences between these two techniques. OBJECTIVE: To compare the efficiency between long-axis and short-axis thyroid UGFNA techniques in trainees. Our secondary outcomes were to define the comfort level and learning curves of trainees. DESIGN: A longitudinal prospective cohort study, completed from December 2018 to November 2019, using the Blue Phantom Thyroid Model© for UGFNA. Face and construct validity of the model were verified. Residents completed UGFNA on an assigned nodule using both long-axis and short-axis techniques, the order of which was sequentially allocated. The rate and time to successful biopsy were obtained for both techniques. Biopsy attempts were repeated to establish learning curves. SETTING: Single-center study. PARTICIPANTS: Fourteen Otolaryngology-Head & Neck Surgery residents at the University of Toronto. MAIN OUTCOME MEASURE: Biopsy success and efficiency for novice learners completing UGFNA on a simulated thyroid model using long-axis and short-axis techniques. RESULTS: A trend towards higher odds of successful biopsy using the long-axis technique with no difference in procedure duration was observed (OR = 2.2, p = 0.095, CI = 0.87-5.39). Learning curve graphs appeared heterogenous according to trainee level. Trainees found the long-axis technique easier to perform (10/14, 71%), and the simulator valuable for learning (12/14, 86%). CONCLUSION: Thyroid UGFNA using the long-axis technique may have an increased success rate and is generally favored by trainees for being easier to perform. Thyroid simulators have the potential to increase learner comfort and efficiency with UGFNA.
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 | 0,003 | 0,016 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».