Development of an Educational Curriculum for Implanting and Managing Vagus Nerve Stimulators for Epilepsy
Notice bibliographique
Résumé
BACKGROUND: Vagus nerve stimulation (VNS) devices are commonly used for extracranial neuromodulation of drug-resistant epilepsy. These devices are implanted by multiple surgical subspecialties and managed by practitioners with varying levels of epilepsy-specific expertise. The North American Neuromodulation Society (NANS) education committee presents a curriculum defining level-dependent recommendations within the six-core competency rubric for the implantation and management of VNS devices. MATERIAL AND METHODS: A multidisciplinary (anesthesiology, neurology, neurosurgery, and physiatrists) and diverse (advanced practice providers, physicians, and surgeons) subcommittee of the NANS education committee met virtually over a year to develop a curriculum following the Accreditation Council for Graduate Medical Education (ACGME) core competencies. The subcommittee used a consensus approach, evidence-based development strategy; once completed, the VNS curriculum was approved by the NANS board. RESULTS: The subcommittee developed a VNS curriculum as a standard to be used for implanting surgeons, managing physicians, and advanced practice providers. The vertical orientation of the curriculum uses the ACGME educational core competencies framework; within this paradigm is a horizontal progression of skills with distinct competency groups for implanting surgeons and/or managing physicians. The horizontal progression defines the expected competence for early learner, advanced learner, and independent practitioner. CONCLUSION: A NANS education subcommittee iteratively developed a VNS curriculum for defining progressive competence of myriad care providers, including clinicians and advanced practice providers, within the ACGME six core competencies.
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 | 0,001 |
| 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 | 0,001 | 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 ».