Cardiac Implantable Electronic Device Educational Application for Cardiac Anesthesiology Trainees: Tutorial on App Development
Notice bibliographique
Résumé
Unlabelled: Despite the exposure of cardiothoracic anesthesiology trainees to patients with cardiac implantable electronic devices (CIEDs), there is a paucity of formal curricula on this subject. Major impediments to educating cardiothoracic anesthesiology trainees on CIEDs include busy clinical schedules, short staffing, inconsistent trainees' exposure to CIEDs, multiplicity of vendors, and a "millennial" mentality of the new generation of learners. As a result, cardiothoracic anesthesiology trainees graduating from their residency and fellowship programs may lack the competency to manage patients with CIEDs. Herein, we report our systematic approach to designing, validating, mapping, evaluating, and delivering a CIED curriculum on the first mobile app of its kind on this subject. Development of the CIED curriculum proceeded through the Kern 6-step approach of problem identification, determining and prioritizing content, writing goals and objectives, selecting instructional strategies, implementation of the material, and evaluation and applications of lessons learned. This was followed by the delivery of the curriculum in the form of a user-study app and administrator-type app with functionalities in the assessment of the learners' gains, experience, and satisfaction as well as the administrator's capability to update the educational content based on the feedback of the learners and the emerging technology. As such, the CIED app allows asynchronous learning at the pace of the learners and allows, through a multiplicity of educational materials, the ability to digest this complex and understudied subject. We report on the pilot phase of the project. We benefit from the experience of a multidisciplinary team of anesthesiologists, computer scientists, and educators in accomplishing this project.
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) | 0,000 | 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 ».