Learning curves in ERCP during advanced endoscopy training: a Canadian multicenter prospective study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Background and study aims Growing emphasis on quality and patient safety has supported the shift toward competency-based medical education for advanced endoscopy trainees (AETs). In this study, we aimed to examine Canadian AETs learning curves and achievement of competence using an ERCP assessment tool with strong evidence of validity. Methods This prospective study was conducted at five institutions across Canada from 2017–2018. Data on every fifth procedure performed by trainees were collected using the United Kingdom Joint Advisory Joint Advisory Group of Gastrointestinal Endoscopy (JAG) ERCP Direct Observation of Procedural Skills (DOPS) tool, which includes a four-point rating scale for 27 items. Cumulative sum (CUSUM) analysis was used to create learning curves for overall supervision ratings and ERCP DOPS items by plotting scores for procedures performed during training. Results Eleven trainees who were evaluated for 261 procedures comprised our sample. The median number of evaluations by site was 49 (Interquartile range (IQR) 31–76) and by trainee was 15 (IQR 11–45). The overall cannulation rate by trainees was 82 % (241/261), and the native papilla cannulation rate was 78 % (149/191). All trainees achieved competence in the “overall supervision” domain of the ERCP DOPS by the end of their fellowship. Trainees achieved competency in all individual domains, except for tissue sampling and sphincteroplasty. Conclusions Canadian AETs are graduating from fellowship programs with acceptable levels of competence for overall ERCP performance and for the most specific tasks. Learning curves may help identify areas of deficiency that may require supplementary training, such as tissue sampling.
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.
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 | 0,001 | 0,001 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 découle