Surgical Expertise in Neurosurgery
Notice bibliographique
Résumé
: The development of technical skills is a major goal of any neurosurgical training program. Residency programs in North America are focused on achieving an adequate level of training to produce technically competent surgeons. The training requirements and educational environments needed to produce expert surgeons are incompletely understood. This review explores the theoretical implications of training technical skills to expertise rather than competency in a complex field such as neurosurgery. First, the terms technical expertise and technical competency are defined. Definitions of these qualities are lacking in all surgical specialties. Second, the assessment of technical skills of neurosurgeons are investigated using an expert performance approach. This approach entails the design of tasks that can capture the level of expertise in a reproducible manner. One method to accomplish this involves the use of novel simulators with validated performance metrics. Third, the training of technical skills using simulation is studied in the optic of developing training curricula that would target the development of expertise rather than simple competency. Such curricula should include objective assessments of technical skills, appropriate feedback, and a distributed schedule of deliberate practice. Implementing a focus on the development of expertise rather than simple competency in surgical performance will lead to innovative developments in the field of neurosurgical education. Novel technologies, such as simulation, will play important roles in the training of future expert surgeons, and focused technical skills curricula with a sound theoretical basis should guide the development of all such programs.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».