International Musculoskeletal Radiology Conference and Ultrasound Workshop: Lessons Learned From an Educational Outreach Event in Jakarta, Indonesia
Notice bibliographique
Résumé
ABSTRACT Purpose Radiology Across Borders (RAB) organizes volunteer educational visits to developing nations. While Indonesia has general radiology programs, it lacks subspecialty training—including musculoskeletal (MSK) imaging. Our goal was to evaluate the effectiveness of an ultrasound (US) workshop and lecture series in improving local clinician comfort with MSK imaging, while aiming to guide others in similar future projects. Methods In November 2023, an educational conference occurred over 2 days in Jakarta, Indonesia, consisting of a half‐day MSK US hands‐on workshop and a lecture series delivered in didactic and interactive formats. Pre‐ and post‐US workshop surveys, as well as a post‐conference survey, were distributed. Using a 5‐point Likert scale, means and standard deviations were calculated. An independent t‐test evaluated pre‐ and post‐US workshop comfort levels with MSK imaging. Common themes were identified from open‐ended feedback using a thematic analysis framework. Results For the US workshop, 11 and 13 participants responded to the pre‐ and post‐surveys, respectively. There was a significant improvement in MSK US imaging comfort level (t (22) = −2.34, p = 0.0145). The main suggestion was additional time devoted to individual hands‐on scanning practice. For the post‐conference feedback survey, 46 participants responded. The feedback was overall positive, with all questions receiving a mean score > 4. Specifically, the interactive “Interesting Cases Discussion” sessions were highly regarded. Conclusion Overall, participant comfort with MSK imaging improved. Detailed coordination and bidirectional relationships made the conference possible. This manuscript highlights positive tactics and areas for improvement.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».