Expert opinions on pediatric <scp>EEG</scp> training for non‐epilepsy specialists in sub‐Saharan Africa
Notice bibliographique
Résumé
Ideally, pediatric electroencephalograms (EEGs) should be performed by accredited neurophysiology technologists and interpreted by specialists trained in epileptology However, low- and middle-income countries (LMICs) lack such specialists. AIM: To collate expert consensus on essential curriculum content for non-epilepsy specialists in EEG interpretation and safe post-training practice. METHOD: A qualitative study on pediatric EEG training curricula needs was designed in collaboration with an adult education specialist. Data were collected via interviews from 15 epilepsy experts with training experience across high- to low-income settings. Thematic analysis was used to identify sub-themes. The experts voted on the key statements in a two-round Delphi to ascertain consensus. RESULTS: Twelve aspects of pediatric EEG training were identified and categorized thematically: relevance; exposure to pediatrics; focus on pediatrics; barriers; resource-limited setting; entry skills; best pedagogy; assessment; critical skills; reinforcement of skills; training model; and recommendations. CONCLUSION: This study was driven by the inadequate access to training in pediatric EEG for non-epilepsy specialists, which is further exacerbated by the lack of epileptologists and neurophysiologists. The outcomes from the expert consensus opinions promoted consolidation, adaptation, and evolution of existing models that are viable for practice and to be used worldwide. The Delphi consensus demonstrated alignment among regionally located specialists towards the promotion of effective and maintained training for non-epilepsy specialists, as well as highlighting barriers that should be considered and addressed.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».