Training and Evaluating Spinal Surgeons
Notice bibliographique
Résumé
STUDY DESIGN: Cohort study. OBJECTIVE: The purpose of this study was to develop and validate a series of novel assessment measures for use during a lumbar pedicle cannulation task. SUMMARY OF BACKGROUND DATA: There is increasing pressure being placed on the surgical community to develop appropriate assessment measures of technical skills as an indicator of surgical competence. To date, little research has been performed in this area in spinal surgery. METHODS: Twelve novice and 7 expert spine surgeons cannulated a complete set of lumbar pedicles on a synthetic model. Electromagnetic markers were traced to record their dominant hand and arm movements while the forces applied to the model were measured using a small force plate. The amount of wrist motion, mean forces, peak forces, and task time were evaluated. Following task completion, angles of pedicle cannulation and the number and location of all breaches in the models were recorded. RESULTS: Novice surgeons used less mean force (91 N vs. 115 N, P = 0.001) but required more time to perform each cannulation task (12.4 seconds vs. 8.2 seconds, P < 0.001). Cannulation by novices demonstrated a greater mean number of frank (far lateral) pedicle breaches (1.5 vs. 0 per individual, P = 0.002), but no differences in the angles of cannulation were seen (P = 0.988). CONCLUSION: Four variables, 3 involving process measures and 1 an outcome measure, can be used to distinguish between novice and expert spine surgeons using a simple lumbar spine pedicle cannulation task, providing evidence of their construct validity. Knowledge of these differences may be useful in objective evaluation of surgical competence and providing precise feedback during the training of this skill, thereby enhancing learning.
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 | 0,000 |
| 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 ».