EULAR standardised training model for ultrasound-guided, minimally invasive synovial tissue biopsy procedures in large and small joints
Notice bibliographique
Résumé
OBJECTIVES: To develop an EULAR training model for education in synovial tissue biopsy (STB) under ultrasound guidance (UG) following a stepwise approach: (1) development of educational material on UGSTB in large and small joints; (2) assessment of the validity, reliability and feasibility of the UGSTB educational procedure on cadaveric specimens; (3) validation of this procedure in live patients. METHODS: Using a nominal group (NG) and a DELPHI consensus methodology, educational audio-visual (AV) material and minimal requirements for education in UGSTB were developed by an expert panel. Then the experts performed an UGSTB on cadaveric joints using the developed approach. The samples retrieved from the cadaveric joints were confirmed histologically and the procedure was then tested by a group of ultrasonographers with different expertise for feasibility and face validity. The AV material and the practical procedures' phases were subsequently ranked by the experts to finalise the training model for performing UGSTB in patients. The ST retrieved in patients was assessed for tissue quality. RESULTS: Based on NG and DELPHI processes, educational material and a stepwise standardised cadaver-based training model were developed. The knee was the cadaveric joint with the highest yield of histologically good quality of ST. 90% of the UGSTB from patients showed synovial membrane and 77% intact lining layer. CONCLUSIONS: This EULAR endeavour provided a consensus-based comprehensive educational material and a practical cadaver-based model for training in UGSTB, which has shown feasibility and validity in tissue acquisition in specimens and patients.
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) | 0,001 | 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 ».