The Current State of Advanced Pediatric Emergency Medicine Point-of-Care Ultrasound (POCUS) Training
Notice bibliographique
Résumé
OBJECTIVES: This study aims to assess the current state of advanced pediatric emergency medicine (PEM) point-of-care ultrasound (POCUS) training in North America, including trends in dedicated PEM POCUS fellowships and alternative advanced POCUS training pathways, to better guide future educational efforts within the field. METHODS: We identified and surveyed 22 PEM POCUS fellowship directors across the United States and Canada regarding PEM POCUS fellowship application trends, potential barriers to pursuing additional POCUS training, and novel training models that meet the needs of the PEM POCUS workforce. RESULTS: The past 5 years have seen a growth in both PEM POCUS fellowship program number and trainee positions available, with a general impression by fellowship directors of a high demand for faculty who have these training credentials. However, there was a discordant drop in fellowship applicants and corresponding match rate in 2022, the cause of which is not clear. A number of programs are offering alternative advanced training options including combined PEM/POCUS fellowships and POCUS tracks within PEM fellowship. CONCLUSION: As POCUS use within PEM evolves, a growing number of advanced training options are being developed. Understanding the motivations and barriers for pursuing advanced POCUS training can help to shape these options going forward, to ensure the experience incorporated within each model meets the needs of trainees, the needs of PEM divisions, and the future needs of our field.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».