THE EFFECT OF BENCH MODEL FIDELITY ON ENDOUROLOGICAL SKILLS: A RANDOMIZED CONTROLLED STUDY
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: Complex skills, such as ureteroscopy and stone extraction, are increasingly taught to novice urology trainees using bench models in surgical skills laboratories. We determined whether hands-on training improved the performance of novices more than those taught only by a didactic session and whether there was a difference in the performance of subjects taught on a low versus a high fidelity model. MATERIALS AND METHODS: We randomized 40 final year medical students to a didactic session or 1 of 2 hands-on training groups involving low or high fidelity bench model practice. Training sessions were supervised by experienced endourologists. Testing involved removal of a mid ureteral stone using a semirigid ureteroscope and a basket. Blinded examiners tested subjects before and after training. Performance was measured by a global rating scale, checklist, pass rating and time needed to complete the task. RESULTS: There was a significant effect of hands-on training on endourological performance (p <0.01). With respect to bench model fidelity the low fidelity group did significantly better than the didactic group (p <0.05). However, no significant difference was found between the high and low fidelity groups (p >0.05). The low fidelity model cost Canadian $20 to produce, while the high fidelity model cost Canadian $3,700 to purchase. CONCLUSIONS: Hands-on training using bench models can be successful for teaching novices complex endourological skills. A low fidelity bench model is a more cost-effective means of teaching ureteroscopic skills to novices than a high fidelity model.
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.
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 | 0,008 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découle