Wet Laboratory Versus Computer Simulation for Learning Endobronchial Ultrasound: A Randomized Trial
Notice bibliographique
Résumé
BACKGROUND: Linear endobronchial ultrasound with transbronchial needle aspiration (EBUS-TBNA) is a revolutionary bronchoscopic procedure that is challenging to learn. OBJECTIVES: To compare two methods used to teach EBUS-TBNA: wet laboratory (lab) versus computer EBUS-TBNA simulation. METHODS: A prospective, randomized study of respirologists, thoracic surgeons and trainees learning EBUS-TBNA at a two-day continuing medical education course. All subjects received education via a series of lectures and live cases, followed by randomization to learn EBUS-TBNA predominantly either by wet lab simulation (n=6) or computer simulation (n=6). All subjects then completed testing of their EBUS-TBNA skills via a previously validated method using simulated cases on EBUS-TBNA simulators and questionnaires evaluating learner preferences. RESULTS: There were no significant differences between the computer EBUS-TBNA simulator group and the wet lab group in procedure time (25.3±6.1 min versus 25.2±2.5 min; P=0.984) and percentage of successful biopsies (81.3±14.9% versus 74.0±17.3%; P=0.453). The computer simulator group performed significantly better than the wet lab group in the percentage of lymph nodes correctly identified (70.4±16.7% versus 42.9±19.9%; P=0.002). Wet lab simulation was associated with increased learner confidence with operating the real EBUS-TBNA bronchoscope. All subjects responded that wet lab and computer EBUS-TBNA simulation offered important complementary learning opportunities. CONCLUSION: Computer EBUS-TBNA simulation and wet lab simulation are effective methods of learning basic EBUS-TBNA skills and appeared to be complementary.
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) | 0,000 | 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 ».