Classifying Inflammation on Intestinal Ultrasound Images and Cineloops－A Learning Curve Study
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Intestinal ultrasound has become a crucial tool for assessing inflammation in patients with inflammatory bowel disease, prompting a surge in demand for trained sonographers. Whereas educational programmes exist, the length of training needed to reach proficiency in correctly classifying inflammation remains unclear. Our study addresses this gap partly by exploring the learning curves associated with the deliberate practice of sonographic disease assessment, focusing on the key disease activity parameters of bowel wall thickness, bowel wall stratification, colour Doppler signal, and inflammatory fat. METHODS: Totals of 21 novices and six certified intestinal ultrasound practitioners engaged in an 80-case deliberate practice online training programme. A panel of three experts independently graded ultrasound images representing various degrees of disease activity and agreed upon a consensus score. We used statistical analyses, including mixed-effects regression models, to evaluate learning trajectories. Pass/fail thresholds distinguishing novices from certified practitioners were determined through contrasting-groups analyses. RESULTS: Novices showed significant improvement in interpreting bowel wall thickness, surpassing the pass/fail threshold, and reached mastery level by Case 80. For colour Doppler signal and inflammatory fat, novices surpassed the pass/fail threshold but did not achieve mastery. Novices did not improve in assessing bowel wall stratification. CONCLUSIONS: We found considerable individual- and group-level differences in learning curves, supporting the concept of competency-based training for assessing bowel wall thickness, colour Doppler signal, and inflammatory fat. However, despite practice over 80 cases, novices did not improve in their interpretation of bowel wall stratification, suggesting that a different approach is needed for this parameter.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».