Comparison of Cardiac Auscultation Features on Four Different Simulation Mannequins Performed by Pediatric Residents
Notice bibliographique
Résumé
INTRODUCTION: Cardiac murmurs are a common problem in pediatric clinical practice. Studies demonstrated low accuracy in detecting and diagnosing various cardiac murmurs at all levels of medical training. So, supplementary training methods started to evolve, including simulation for auscultation skills training. Over the years, mannequins have evolved with different types of technology. Therefore, we decided to compare cardiac auscultation accuracy among high-fidelity mannequins as the primary objective and compare the performance of various postgraduate-level residents as a secondary objective. METHOD: Pediatric residents at King Abdulaziz University Hospital were given a lecture on the basics of cardiac auscultation and then requested to auscultate four mannequins, namely SimJumior® (Laerdal Medical, Stavanger, Norway), SimBaby™ (Laerdal Medical), Pediatric HAL® (Gaumard Scientific, Miami, FL, USA), and Cardiac Patient Simulator K-Plus (Kyoto Kagaku Co. Ltd., Kyoto, Japan). The accuracies of murmur type, diagnosis, and auscultation time were compared. Results: A total of 56 pediatric residents were enrolled. Median murmur accuracy ranged from 50% to 53% (p-value 0.79), and median diagnosis accuracy ranged from 33% to 36% (p-value 0.77), with a nonsignificant difference between mannequins. Comparing resident levels in all mannequins, median murmur accuracy ranged from 49% to 56% (p-value 0.70), and median diagnosis accuracy ranged from 29% to 41% (p-value 0.09). While the median average auscultation time was between 41 and 50 seconds (p-value 0.34). CONCLUSION: Auscultation skills can be taught through simulation on any mannequin used in this comparison, not necessarily the cardiac one. For better accuracy, future comparisons might include more advanced cardiac mannequins based on cardiac auscultation expertise (i.e., consultant level). The introduction of an auscultation program from the undergraduate level throughout the training process and monitoring of these skills are mandated.
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 | 0,006 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».