Training Nonexpert Users in Cardiopulmonary Point-of-Care Ultrasound Using a Virtual Curriculum and a Teleconsultation Model: A Multicentre Study
Notice bibliographique
Résumé
Background Disparities in access to post-graduate cardiopulmonary point-of-care ultrasound (POCUS) training have limited uptake by non-specialists in remote care centres. This multicentre pre-post study evaluated the skill improvement of learners after participating in a longitudinal and virtual POCUS training program. Methods Non-expert POCUS users were recruited at urban teaching hospitals and geographically remote hospitals/nursing stations across four Canadian provinces. The three-week educational program consisted of e-learning, independent imaging practice, and point-of-care tele-ultrasound (tele-POCUS) consultations with experts during clinical encounters. Standardized assessments were used to evaluate skill improvement in image acquisition, image quality, and image interpretation for cardiac and lung/pleura POCUS (as measured on a 5-point Likert scale) after program completion and remotely delivered guidance via tele-POCUS. Results Among 29 learners, 17 (41% female) completed the training program, of which 7 practiced in remote hospitals/nursing stations. For cardiac POCUS, pre- and post-training assessments noted improvements in image acquisition (mean scores: 3.02 to 4.48, p<0.01), quality (2.49 to 4.06, p<0.01), and interpretation (3.03 to 4.44, p<0.01). Improvements in image acquisition (3.27 to 4.63, p<0.01), quality (3.25 to 4.53, p<0.01), and interpretation (3.35 to 4.65, p<0.01) were also noted for lung/pleura POCUS. A total of 153 tele-POCUS consultations (77 cardiac and 76 lung/pleura) were performed. Image acquisition improved after remote guidance was provided to learners using tele-POCUS (all p<0.01). Results were similar in analyses stratified by geographical setting. Conclusion Cardiopulmonary POCUS can be successfully taught to learners in diverse geographical settings using a virtual training format and tele-POCUS.
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 | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».