A multi-phase structured cascade model for mass training of community healthcare workers in performing clinical breast exams in remote regions
Notice bibliographique
Résumé
Background: Clinical breast exam (CBE) by outreach healthcare workers (HCW) may help downstage breast cancer in resource-limited areas where mammography may not be feasible. We evaluated the effectiveness of a pilot cascade-model training programme for HCWs in remote areas of Pakistan. Methods: The training programme comprised three phases. In phase one, fellowship-trained breast surgeons at a metropolitan academic centre trained six HCWs to perform CBEs. In phase two, these six HCWs (master trainers) trained 15 additional HCWs, implementing cascade training. In phase three, the consultant breast surgeon conducted a re-evaluation and refresher course for all 21 HCWs at least one year after the original training session. We assessed CBE ability and skills through pre- and post-changes through self-reported confidence and direct observation of procedural skills. Results: Significant improvements in learners' self-reported confidence and CBE skills were observed in both phases one and two. The median scores in the learners' post-training self-reported confidence and CBE skills (inspection, palpation, and lymph node examination) improved by 20% and 46.2%, respectively, indicating excellent learning outcomes of the cascade training sessions. Phase three showed sustained high scores in self-reported confidence and CBE skills more than one year later. Conclusions: Mass training of outreach HCWs in remote regions in performing CBE may be possible with a structured multiphase cascade-training model and may be an important step in downstaging symptomatic breast cancer in low-resource settings.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».