Training in endoscopic mucosal resection: effectiveness and clinical utility of a short course for practicing endoscopists
Notice bibliographique
Résumé
Abstract Background and Aims Endoscopic mucosal resection (EMR) is not systematically taught during most training programs. The aim of this study was to evaluate the effectiveness and clinical utility of a 1-day didactic and simulation-based EMR curriculum for practicing endoscopists without prior formal training in advanced endoscopic tissue resection. Methods We designed a 1-day lecture and simulation-based EMR course. Twelve participants completed the course. Effectiveness and clinical utility were evaluated using sequential explanatory mixed methods. All participants completed a pre-course multiple choice question (MCQ) examination followed by a separate, post-course MCQ examination with a similar blueprint. A survey was also conducted to assess cognitive fatigue, perceived benefit, and potential for change in EMR practice. Finally, a delayed MCQ examination was administered 10-14 weeks later to assess knowledge retention and qualitative data were sequentially collected from 3 candidates via semi-structured interviews. Results The mean pre-course score was 47.8% (SD 12.4%). The mean post-course score was 75% (9.9%) and the mean delayed score was 70.8% (13.6%), both significantly higher than the mean pre-course score (P < .001; Cohen’s d = 1.86 and P < .001; Cohen’s d = 1.47, respectively). There was no significant difference between the mean post- and delayed-course test scores (P = .2). Three themes emerged from the interviews: (1) a need for EMR training, (2) improved knowledge evaluating polyps, and (3) changed or refined EMR technique after the course. Conclusions This study demonstrates significant knowledge acquisition and retention of cognitive skills and suggests a change in practice following a 1-day focused didactic and simulation-based EMR course.
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 | 0,002 | 0,010 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».