Training of Non-expert Users Using Remotely Delivered, Point-of-Care Tele-Ultrasound
Notice bibliographique
Résumé
ABSTRACT: Many physicians, particularly those practicing in remote regions, lack training opportunities to develop point-of-care ultrasound (POCUS) skills. This pretest-posttest study quantified the skill improvement of learners after participating in a virtual training program that used real-time, remotely delivered point-of-care tele-ultrasound (tele-POCUS) for teaching and learner feedback provision. Ten physicians practicing in an urban tertiary (Kingston, Ontario, Canada, n = 6) or remote care center (Moose Factory, Ontario, Canada, n = 4) completed a 3-week educational program that consisted of e-learning module review, independent image acquisition practice, and expert-guided tele-POCUS consultations. Pretraining and posttraining assessments were performed to evaluate skill enhancement in image acquisition, image quality, and image interpretation for cardiac and lung/pleura POCUS using a 5-point Likert scale. A total of 76 tele-POCUS consultations were performed during the study period. Significant improvements in image quality were noted following remotely delivered mentorship and guidance (all P < 0.01). In cardiac POCUS, pretraining and posttraining comparisons noted significant improvements in image acquisition (means, 2.69-4.33; P < 0.02), quality (means, 2.40-4.03; P < 0.01), and interpretation (means, 2.50-4.40; P < 0.02). In lung/pleura POCUS, significant improvements in image acquisition (means, 3.00-4.43; P < 0.01), quality (means, 3.23-4.37; P < 0.01), and interpretation (means, 3.00-4.40; P < 0.01) were demonstrated. Introductory ultrasound can be taught to novice users using a virtual, live-streamed training format with tele-POCUS while demonstrating significant enhancement in imaging skills.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».