Neuromuscular Ultrasound Training in Neuromuscular Fellowship Programs in Canada: Minding the Gap
Notice bibliographique
Résumé
INTRODUCTION/AIMS: Neuromuscular ultrasound (NMUS) is gaining prominence as a valuable tool for diagnosing neuromuscular disorders at the point of care. Neuromuscular disorder diagnostic criteria guidelines have begun incorporating NMUS findings. As interest grows, fellowship programs must consider incorporating training into their curricula. This study evaluated the current state of NMUS training, potential barriers, and interest in training across Canadian neuromuscular fellowship programs. METHODS: A 23-question online survey was developed and distributed via email to all 10 neuromuscular fellowship program directors across Canada. RESULTS: Seven (70%) programs responded to the survey. There was general agreement among programs on the value of NMUS, however, only one (14.3%) program reported they would consider recent graduates to be competent in NMUS. Critical barriers to incorporation of NMUS training included lack of a formalized curriculum, faculty expertise and time, and equipment. Two (28.6%) programs reported that accessibility of equipment and one (14.3%) that faculty expertise was not a barrier to NMUS training. Two (28.6%) programs have local NMUS training options available to fellows (in only one program is NMUS training mandatory). All programs expressed interest in additional training opportunities, and three (43%) programs reported taking steps toward incorporating NMUS training into their curricula. DISCUSSION: NMUS training is in its infancy in Canada, with several common barriers identified across programs. There is universal interest in further NMUS training opportunities for fellows, highlighting the importance of a common approach to addressing the educational gap to support development of formalized NMUS training mechanisms in Canada.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».