Simulation-based training and learning curves in laparoscopic Roux-en-Y gastric bypass
Notice bibliographique
Résumé
BACKGROUND: Ex vivo simulation-based technical skills training has been shown to improve operating room performance and shorten learning curves for basic laparoscopic procedures. The application of such training for laparoscopic Roux-en-Y gastric bypass (LRYGBP) has not been reviewed. METHODS: Relevant studies were identified by one author from a search of MEDLINE and Embase databases from 1 January 1994 to 30 November 2010. Studies examining the learning curves and ex vivo training methods for LRYGBP were included; all other types of bariatric operations were excluded. A manual search of the references was also performed to identify additional potentially relevant papers. RESULTS: Twelve studies (5 prospective and 7 retrospective case series) were selected for review. The learning curve for LRYGBP was reported to be 50-100 procedures. Bench-top laparoscopic jejunojejunostomy, anaesthetized animals and Thiel human cadavers made up the bulk of the reported models for ex vivo training. Most studies were of relatively poor quality. An evidence-based ex vivo training curriculum for LRYGBP is currently lacking. CONCLUSION: Better quality studies are needed to define the learning curve for LRYGBP. Future studies should focus on the design and validation of training models, and a comprehensive curriculum for training and assessment of cognitive, technical and non-technical components of competency for laparoscopic bariatric surgery.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».