The effect of low‐fidelity endoscopic sinus surgery simulators on surgical skill
Notice bibliographique
Résumé
BACKGROUND: Surgical training models are being increasingly used to provide an environment for surgical trainees to improve their skills without risk to patients. This study uses previously validated, inexpensive, low-fidelity training models to determine how pretraining affects endoscopic sinus surgery (ESS) skills. METHODS: Fourteen Otolaryngology residents were randomized to 1 of 2 groups that were stratified for training level. The first group took part in a pretraining session where they practiced on all 5 different modules whereas the second group did not receive any pretraining. The following day, all participants took part in a cadaveric ESS course. Participants were instructed to complete a set of tasks and their performances were videotaped. The videos were then evaluated using a Global Rating Scale (GRS) and a Task-Specific Checklist (TSC). The performances of those who trained using the models were compared to the performances of those who did not. RESULTS: The intervention (pretraining) group performed better than the nonintervention (no pretraining) group on the cadaveric ESS tasks (p < 0.05). As well, there was a statistical difference between the senior residents who had the pretraining with the simulator models performing better than those who did not. CONCLUSION: The modules appear to have made a positive impact on ESS skills. These low-cost, easily-constructed training modules have the potential to be integrated into Otolaryngology-Head and Neck Surgery resident training. Assessment of long-term training effects with a larger number of participants is planned for future studies.
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) | 0,000 | 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) | 0,001 | 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 ».