Minimum standards for training in colorectal endoscopic mucosal resection among advanced endoscopy trainees
Notice bibliographique
Résumé
Background and study aims: Data on colorectal endoscopic mucosal resection (C-EMR) training during advanced endoscopy fellowship remain limited. We aimed to determine the number of procedures required by an "average" advanced endoscopy trainee (AET) to achieve competence in cognitive and technical C-EMR skills. Methods: AETs from advanced endoscopy training programs (AETPs) were graded on every C-EMR using a standardized assessment tool. Cumulative sum (CUSUM) analysis was used to generate individual and aggregate learning curves to estimate the minimum number of cases required to achieve competence for overall, technical, and cognitive components of C-EMR. AETs completed a self-assessment questionnaire on C-EMR competence at the end of their training. Results: A total of 22 AETs among 16 AETPs participated in this study. Nineteen AETs (86%) reported formal training in C-EMR with a mean number of 32 ± 22 cases prior to their AETP. In aggregate, 637 C-EMRs were performed (median of 32 per AET; interquartile range 17-45). Learning curve analyses revealed substantial variability in minimum volume of procedures needed to attain competence across different C-EMR skills (range: 19-39). A minimum of 19 cases were required to achieve overall competence using the global assessment score. All AETs reported feeling comfortable performing C-EMR independently at the end of AETP, yet only three (14%) achieved competence in their overall performance. Conclusions: The relatively low number of C-EMRs performed by many AETs may be insufficient to achieve competence. The estimated thresholds for an average AET to achieve competence in C-EMR provide a framework for AETPs in determining the minimal standards for case volume exposure during 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 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 | 0,001 | 0,001 |
| 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) | 0,001 | 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 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 ».