مقاله انگلیسی مروری بر تخصص ادراکی در رادیولوژی (2020 الزویر)

بهینه سازی تخصص ادراکی در رادیولوژی از اهمیت اساسی در مراقبت از بیمار برخوردار است. در هنگام تشخيص پرتونگاري ، تشخيص – توجه به اينكه يك يافته بالقوه قابل توجه وجود دارد كه از تحليل بيشتر برخوردار باشد – از اهميت ويژه برخوردار است ، زيرا تمام مراحل زير منجر به تشخيص ، به كارايي آن بستگي دارد (1). با وجود تلاش مداوم برای بهینه سازی درک در طول تفسیر رادیولوژی ، میزان خطا در خوانش های رادیولوژی در 7 دهه گذشته بهبود نیافته است (2 ، 3 ، 4). این مشکل که با افزایش حجم تصویربرداری و پیچیدگی معاینه همراه است ، درک عمیق تر از ماهیت تخصص را برای بهبود آموزش و صحت پزشکان متخصص الزامی می کند. در این بررسی ، ما در مورد نقش تخصص ادراکی در رادیولوژی ، استراتژیهای جستجو و روشهای آموزشی فعلی صحبت می کنیم. ما همچنین در مورد تئوریهای پردازش لبه ، روشهای ایده آل آزمایش ادراک و اینکه چرا ادراک انسان هنوز در عصر ظهور هوش مصنوعی (AI) با رادیولوژی مرتبط است ، بحث می کنیم.

توجه؛ (این ترجمه توسط نرم افزار انجام شده و ویرایش نشده است و احتمال وجود اشتباه در آن وجود دارد. در صورت ثبت سفارش، ترجمه توسط مترجمین مجرب انجام خواهد شد. برای مشاهده نمونه ترجمه های تخصصی و اخیر مترجمین جهت اطمینان از کیفیت ترجمه، اینجا کلیک نمایید.)

1.Introduction

Optimizing perceptual expertise in radiology is of critical importance for patient care. During radiologic interpretation, detection—noting that a potentially significant finding is present that merits further analysis—has primary importance, because all following steps leading to diagnosis rely on its efficacy (1). Despite continual efforts to optimize perception during radiologic interpretation, however, the error rate in radiological readings has not improved in the last 7 decades (2, 3, 4). This problem—compounded by increasing imaging volumes and examination complexity—mandates a deeper understanding of the nature of expertise to improve the training and accuracy of practicing clinicians. In this review, we discuss the role of perceptual expertise in radiology, search strategies, and current training methods. We also discuss gist processing theories, ideal methods of perception testing, and why human perception is still relevant to radiology in an era of emerging artificial intelligence (AI).