Implementation and Assessment of a Curriculum for Renal Point of Care Ultrasound (POCUS) Training
Notice bibliographique
Résumé
Purpose: Renal ultrasound is a non-invasive method to assess for obstructive acute kidney injury (AKI). Point of care ultrasound (POCUS) has been shown to be a good screening tool for obstructive AKI, and with formal training, has high sensitivity and specificity. We aimed to evaluate the effectiveness and feasibility of integrating a novel renal POCUS curriculum into an existing two-week nephrology rotation for internal medicine residents. Methods: We enrolled internal medicine residents rotating on a two-week nephrology rotation between September 2022 and June 2023. Pre-recorded online lectures and a hands-on session on image acquisition were provided. Pre-and post-rotation confidence questionnaires and knowledge tests were collected. At the end of the rotation, participants were evaluated using a skills checklist. Evaluation for knowledge retention was assessed 6–12-months post-rotation with a post-survey and knowledge test. Results: Of the 16 residents that were enrolled, 12 residents completed pre- and post-rotation questionnaires and tests, and 15 residents completed the 6–12-month follow-up. The confidence level showed significant improvement post-test and at 6–12-month follow-up. Knowledge test scores showed a trend towards improvement that did not achieve statistical significance (pre- 6.0 [5.0-7.25], post- 6.5 [5.75-8.0], 6–12-months 7.0 [6.0-8.0] p=0.40). On the skills checklist, an average of 16.8 out of 18 steps were done correctly. Conclusion: Our study showed confidence improvement and a trend towards knowledge improvement after integrating a novel Renal POCUS curriculum into a nephrology rotation. Further iterative changes, such as deliberate practice, or practice with immediate feedback, should be considered.
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 | 0,000 |
| 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 ».