Building a Point of Care Ultrasound (POCUS) Curriculum in Undergraduate Medical Education Through Stepwise Development and Assessment
Notice bibliographique
Résumé
Background: Point of care ultrasound (POCUS) training is increasingly incorporated in undergraduate medical education (UME). However, limited resources and lack of standard guidelines lead to questions regarding the most effective curriculum and assessment method. The authors aimed to develop a longitudinal UME POCUS curriculum through staged intervention. Year 1, which involved simulation alone, led to improved confidence without adequate knowledge. The authors hypothesized that the addition of resident-led workshops alongside faculty-led lectures would improve POCUS knowledge and confidence among third-year medical students. Methods: A prospective cohort study of third-year students on the Internal Medicine (IM) clerkship at a large academic medical center was performed, assessing efficacy of stepwise POCUS curriculum development. Previously implemented year 1 involved comparing the control cohort receiving baseline POCUS education on rounds with the experimental cohort that had access to a high-fidelity POCUS simulator. The year 2 cohort added hands-on resident-led POCUS workshops. The year 3 cohort added faculty-led lectures. All cohorts completed pre- and post-intervention confidence and knowledge-based examinations. The year 1 control cohort served as a control for the current study. Results: A total of 69 and 102 students completed both pre-/post-tests among year 2 and 3 cohorts, respectively. Both cohorts demonstrated statistically significant improvement in POCUS knowledge and confidence, with greater magnitude of improvement in year 3 with overall knowledge improving from 49.9% to 66.7% on pre- to post-intervention examination (p<0.0001). Conclusion: While simulation alone was insufficient to instill knowledge, the addition of resident-led workshops and faculty-led lectures demonstrated benefits in POCUS knowledge and confidence among medical students and represents a sustainable model of training.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».