通过竞争进行按需的EEG教育 - - 一种基于应用程序的新方法来学习识别间接性发性排泄

科学领域:

• 神经学 神经学
• 医学教育 医学教育
• 数字健康数字健康

背景情况:

• 电脑电图 (EEG) 解释对于患者护理至关重要.
• 误解EEG可以导致患者的不良结果.
• 只有有限的资源可用于EEG解释培训.

研究的目的:

• 评估一种用于教授EEG解释的新型教育工具.
• 评估该工具在识别间接性发性泄露 (IED) 的有效性.

主要方法:

• 开发了一个iOS应用程序 (DiagnosUs) 与公开的EEG测试.
• 包括13,262个候选IED用于用户评级 (型与非型).
• 与黄金标准提供即时反,并使用参数模型分析学习.

主要成果:

• 901名参与者在1000个问题中平均提高了13%,达到81%的准确率.
• 用户和专家使用类似的形态特征用于IED识别.
• 鉴定了尽管实践仍然存在的具有挑战性的EEG模式.

结论:

• 重复暴露和即时反显著改善了用户的IED分类准确性.
• 基于应用程序的学习活动显示出作为神经病学学员补充工具的潜力.