Discriminative Ability of Dye Injected Into a Meat Model to Determine Accuracy of Ultrasound-Guided Injection
Notice bibliographique
Résumé
INTRODUCTION: The utility of using meat models for ultrasound-guided regional anesthesia simulation training has been well established. Feedback is considered the most important element of successful simulation-based education, and simulation offers an opportunity for evaluation. The objective of this study was to establish the discriminative ability of dye injected into a meat model to determine whether injectate is properly placed in the perineural (PN) space, thus providing an additional tool for learner feedback and evaluation. METHODS: Meat models containing a beef tendon (simulating a nerve) were injected with dye in one of 3 locations: PN, intraneural, and intramuscular. Blinded assessors then independently interpreted the dye staining on the models, marked the interpreted injection location, ease of interpretation, and whether staining was present on the beef tendon. RESULTS: Thirty meat models were injected with dye and independently assessed. Determining the location of injection was deemed to be easy or very easy in 72% of the models. Assessors correctly identified PN, intraneural, and intramuscular injections 100%, 95%, and 85% of the time, respectively. Assessor agreement was 87%. CONCLUSIONS: The location of dye injected into a meat model, simulating a peripheral nerve blockade, can be accurately and reliably scored to provide feedback to learners. This technique offers a novel means of providing feedback to trainees and assessing block success in ultrasound-guided regional anesthesia simulation.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| 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) | 0,000 | 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 ».