Rapid Competency in NIR-Based Neuroimaging: Training Non-Experts for Head Trauma Triage
Notice bibliographique
Résumé
Abstract Objective To evaluate whether novice, non-specialist operators can rapidly learn to use a handheld near-infrared (NIR) head scanner and maintain scan quality after brief training, supporting its use for point-of-care triage when computed tomography is unavailable or delayed. Methods Thirty-two right-handed adults with no prior NIR experience received a brief standardized training session (∼2 minutes) on the ArcheOptix NIRD® device, which detects intracranial hemorrhage by tracking hemoglobin absorption during guided scalp scans. Operators then completed two full-head scans on a healthy volunteer: an initial competency assessment (Scan 1) and a follow-up assessment after one day without refresher training (Scan 2). Performance metrics included total scan time, frequency of repeat scans prompted by loss of contact or light leaks, and mean scanpath time as an index of handling efficiency and consistency. Scan quality was evaluated using Lift on dark and Noise on dark indices. User experience was measured after each scan with the 10-item System Usability Scale (SUS, 0–100). Within-participant changes were analyzed with paired t tests or Wilcoxon signed-rank tests. Results All operators completed both sessions. Median performance improved from Scan 1 to Scan 2, with total scan time decreasing from 5 min 27 s to 2 min 53 s. The proportion of “Excellent” scans (<5 minutes) increased from 50% to 84%, and “Poor” scans (>10 minutes) fell to zero. Repeat scans per session declined from 38 to 24, and mean scanpath time shortened while becoming more consistent. Lift on dark and Noise on dark remained stable, indicating no degradation in signal quality as operators worked faster. SUS scores improved from 69.4 to 76.5, reflecting higher perceived ease of use and confidence. Conclusions After minimal training, novice operators achieved rapid, reliable NIR scans with faster performance, fewer repeat scans, stable signal quality, and improved usability ratings. This work shows that portable NIR can practically complement CT by helping prioritize transport and focus scarce imaging resources in emergency, sideline, and remote head trauma triage.
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 | 0,003 | 0,009 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».