Delphi Analysis: Optimizing Anatomy Teaching and Ultrasound Training for Botulinum Neurotoxin Type A Injection in Spasticity and Dystonia
Notice bibliographique
Résumé
Our objective was to provide expert consensus on best practices for anatomy teaching and training on ultrasound-guided botulinum neurotoxin type A (BoNT-A) injection for specialists involved in treating spasticity and dystonia. Nine experts (three neurologists; six physical medicine and rehabilitation physicians) participated in a three-round modified Delphi process. Over three rounds, experts reached consensus on 15 of 16 statements describing best practices for anatomy and BoNT-A injection training. They unanimously agreed that knowledge of the target audience, including their needs and current competency, is crucial when designing training programs. Experts also agreed that alignment between instructors is essential to ensure consistency of approach over time and between regions, and that training programs should be simple, adaptable, and "hands-on" to enhance engagement and learning. Consensus was also reached for several other key areas of training program development. The best-practice principles identified by expert consensus could aid in the development of effective, standardized programs for anatomy teaching and BoNT-A injection training for the purposes of treating spasticity and dystonia. This will enhance the exchange of knowledge, skills, and educational approaches between global experts, allowing more specialists to treat important movement disorders and ultimately improving patient outcomes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».