Sonoist: An Innovative Peer Ultrasound Learning Initiative on Canadian Teaching Hospital Wards
Notice bibliographique
Résumé
Background: Students usually learn point-of-care ultrasound (PoCUS) on standardized patients, thus lacking opportunities to correlate their ultrasound findings with clinical abnormalities. Sonoist is a student-led initiative aimed at improving ultrasound training with peer-teaching and real patients. We describe here a pilot project of Sonoist, its implementation and evaluation.
 Methods: Sonoist was developed by Independent-Practitioner-certified medical students who teach their peers how to scan patients with abnormal clinical findings, then correlating their ultrasound findings with the physical examination. From May 2019 to February 2020, seven sessions were held, with a sessional average of 3 participants and 3 patients scanned. We collected survey data on ultrasound knowledge, participants’ perceived self-improvement, and general comments. Results were grouped by prior ultrasound training (novice n=8, experienced n=12) and year of study (1-4).
 Results: 20/23 completed the survey. An increase in ultrasound skill was perceived by 100% of novices and 66.7% of experienced learners. Knowledge about clinical indications for PoCUS improved in 80% of novice and 81% of experienced students; sonographic knowledge improved in 69% of novices and 81.3% of experienced learners. All novices and 91.7% of experienced learners reported that learning ultrasound was useful for correlating with physical exam and clinical diagnosis. All novices and 83% of experienced students preferred peer-to-peer teaching.
 Conclusion: Peer-to-peer PoCUS teaching improved medical students’ sonographic and clinical knowledge, and is perceived as useful by students. A combination of early clinical exposure and a less stressful environment from peer teaching may contribute to these results.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».