MétaCan
Menu
Retour à la cohorte
Enregistrement W4389945104 · doi:10.1161/circ.148.suppl_1.14425

Abstract 14425: Independent Predictors of ECG Interpretation Proficiency in Healthcare Professionals

2023· article· en· W4389945104 sur OpenAlexaff
Anthony H. Kashou, Peter A. Noseworthy, Thomas J. Beckman, Nandan S. Anavekar, Michael W. Cullen, Benjamin J. Sandefur, Christopher L. Boswell, Kurt B. Angstman, Brian P. Shapiro, Brandon M. Wiley, Andrew M. Kates, David Huneycutt, Andrew Braisted, Scott Kerwin, John B. Beard, Brian A. Young, Ian Rowlandson, Adrián Baranchuk, Kevin O’Brien, Stephen J. Knohl, Adam M. May

Notice bibliographique

RevueCirculation · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueECG Monitoring and Analysis
Établissements canadiensSt. Thomas Hospital
Organismes subventionnairesnon disponible
Mots-clésMedicineBivariate analysisMultivariate analysisTest (biology)Health careMultivariate statisticsHealth professionalsFamily medicinePhysical therapyInternal medicine

Résumé

récupéré en direct d'OpenAlex

Background: Accurate ECG interpretation is vital, but variations in skills exist among healthcare professionals. This study aims to identify factors contributing to ECG interpretation proficiency. Methods: Survey data and ECG test scores from participants in the EDUCATE Trial were analyzed. The dependent variable was the test score for interpreting 30 12-lead ECGs. Independent variables included non-modifiable factors (physician status, clinical experience, patient care impact) and modifiable factors (weekly interpretations, training hours, expert supervision frequency). Bivariate and multivariate analyses generated the Comprehensive Model (all factors) and Actionable Model (modifiable factors only). Results: Among 1206 participants, there were 72 (6.0%) primary care physicians, 146 (12.1%) cardiology fellows-in-training, 353 (29.3%) resident physicians, 182 (15.1%) medical students, 84 (7.0%) advanced practice providers, 120 (9.9%) nurses, and 249 (20.7%) allied health professionals. Physicians accounted for 571 (47.3%) of participants, while 453 (37.6%) were non-physicians. Bivariate analysis showed associations between test scores and multiple variables (Table 1) . In the Comprehensive Model, scores were independently associated with weekly interpretations (9.9 score increase; 95% CI 7.9-11.8; P<0.001), physician status (9.0 score increase; 95% CI 7.2-10.8; P<0.001), and training hours (5.7 score increase; 95% CI 3.7-7.6; P<0.001). In the Actionable Model, scores were independently associated with weekly interpretations (12.0 score increase; 95% CI, 10.0-14.0; P<0.001) and training hours (4.7 score increase; 95% CI 2.6-6.7; P<0.001). The Comprehensive and Actionable Models accounted for 18.7% and 12.3% of the variance in test scores, respectively. Conclusions: Being a physician is a non-modifiable predictor, while training and regular practice are modifiable predictors of ECG interpretation performance.

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 enseignants0,019
Score d'incertitude au seuil0,230

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
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 Opus0,024
Tête enseignante GPT0,345
Écart entre enseignants0,320 · 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