MétaCan
Menu
Retour à la cohorte
Enregistrement W4389940629 · doi:10.1161/circ.148.suppl_1.13990

Abstract 13990: ECG Interpretation Proficiency of Healthcare Professionals

2023· article· en· W4389940629 sur OpenAlexaff
Anthony H. Kashou, Peter A. Noseworthy, Thomas J. Beckman, Nandan S. Anavekar, Michael W. Cullen, Kurt B. Angstman, Benjamin J. Sandefur, Brian P. Shapiro, Brandon W. Wiley, Andrew M. Kates, David Huneycutt, Andrew Braisted, Stephen W. Smith, Adrián Baranchuk, Ken Grauer, Kevin OʼBrien, Viren Kaul, Harvir Singh Gambhir, Stephen J. Knohl, D.J. Albert, Paul Kligfield, Peter W. Macfarlane, Adam M. May

Notice bibliographique

RevueCirculation · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueECG Monitoring and Analysis
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésMedicineConfidence intervalPsychological interventionHealth professionalsFamily medicineClinical PracticeInternal medicinePrimary careHealth carePhysical therapyNursing

Résumé

récupéré en direct d'OpenAlex

Background: ECG interpretation is crucial in medical practice, but professionals struggle with achieving and maintaining competency. Identifying proficiency gaps aids in designing educational interventions. Methods: Medical professionals from various disciplines interpreted 30 12-lead ECGs containing commonly taught urgent and non-urgent findings. Performance metrics evaluated were overall adjusted score (% of correctly identified findings using a point-value score based on clinical relevance), unadjusted score (% of correctly identified findings), interpretation time per ECG, and self-reported confidence (rated on an ordinal scale of 0 [not confident], 1 [somewhat confident], or 2 [confident]). Results: Among 1206 participants, there were 72 (6%) primary care physicians (PCPs), 146 (12%) cardiology fellows-in-training (FIT), 353 (29%) resident physicians, 182 (15%) medical students, 84 (7%) advanced practice providers (APPs), 120 (10%) nurses, 249 (21%) allied health professionals, 571 (47%) physicians, and 453 (38%) non-physicians. Participants had a mean adjusted score of 46.9% (± 15.9%), unadjusted score of 56.4% (± 17.2%), interpretation time of 142 seconds (± 67 seconds), and confidence of 0.83 (± 0.53) (Table 1) . Performance varied across groups; cardiology FIT had superior performance in all metrics. Physicians generally outperformed non-physicians, with higher overall adjusted score (52% vs. 43%; p<0.01), unadjusted score (62% vs. 52%; p<0.01), and confidence (0.91 vs. 0.80; p<0.01). Unadjusted score for PCPs was higher than nurses and APPs (58% vs. 47% and 51%; p<0.01) but lower than resident physicians (58% vs. 60%; p<0.01). Allied health professionals outperformed nurses and APPs and closely matched resident physicians and PCPs. Conclusions: Significant gaps in ECG interpretation proficiency exist, emphasizing the need for comprehensive, scalable, and accessible educational tools.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,093
Score d'incertitude au seuil0,179

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,034
Tête enseignante GPT0,372
Écart entre enseignants0,338 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCirculationMême sujetECG Monitoring and AnalysisTravaux en français237 207