Point-of-care ultrasound: Usage and accuracy within a Canadian urology division
Notice bibliographique
Résumé
INTRODUCTION: This research evaluates the utility and precision of point-of-care ultrasound (POCUS) in urology, inspired by recent affirmations of its feasibility and value.1,2 Our study provides valuable insights for urologists about POCUS's practical usage. METHODS: A prospective study assessed POCUS usage and accuracy in the University of Alberta's Division of Urology using data from April 4, 2022, to April 4, 2023. Data include POCUS indications, findings, and correlation with the final diagnosis/gold standard. Additionally, a qualitative survey was conducted among urologists and residents about POCUS's pros, cons, and barriers to integration. RESULTS: Thirty-three patients underwent POCUS examinations, mainly for suspected hydronephrosis (27%, n=9). Other indications included urinary retention, testicular mass, torsion, cryptorchidism, renal mass, extended focused assessment with sonography in trauma (eFAST ) exams, nephrostomy tube placement confirmation, and scrotal hematomas. POCUS findings matched the final diagnosis in most cases, showing 86% sensitivity, with an average exam time of 1-5 minutes. POCUS showed potential for suprapubic tube insertions. Residents (60%, n=20) were the most frequent users, followed by staff (33%, n=10), and students (6%, n=2). The surveyed urologists and residents expressed comfort with POCUS but cited time, cost, and practicality as barriers. CONCLUSIONS: POCUS proves accurate and beneficial in urology, particularly for hydronephrosis. Most findings align with the gold standard, and the average exam time is brief. Barriers include time and cost. Further research is necessary to evaluate cost-effectiveness and POCUS's impact on patient outcomes in routine urologic practice.
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 | 0,001 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 ».