Development and Efficacy of a Canine Pelvic Limb Model Used to Teach the Cranial Drawer and Tibial Compression Tests in the Stifle Joint
Notice bibliographique
Résumé
Canine cranial cruciate ligament rupture (CCLR) is the most common cause of pelvic limb lameness in dogs. CCLR results in palpable stifle instability secondary to cranial translation of the tibial relative to the femur, and it can be diagnosed during the orthopedic exam using the cranial drawer test (CDT) and tibial compression test (TCT). Accurate diagnosis of CCLR depends on the efficacy in performing these tests. In this study, two three-dimensional canine pelvic limb models were developed: one simulating a normal stifle and one simulating CCLR. Thirty-eight veterinary student participants answered questionnaires and performed both the CDT and TCT on a randomly assigned model. Twenty-one participants also manipulated the models one week later to assess skill retention in the short term. Mean levels of reported confidence in diagnosing CCLR and finding anatomic landmarks for CDT/TCT were significantly higher following model manipulation. Nearly all participants reported that they desired a model for teaching the diagnosis of CCLR. Most participants (92.5%) felt that the tested model would be useful for teaching CCLR diagnosis. Accuracy in diagnosing CCLR with the TCT significantly improved over time. Participant response indicated that while the tested model was effective and desirable, an ideal model would be more durable and lifelike. Further studies are needed to evaluate the developed models' effectiveness for teaching CCLR diagnosis compared to traditional teaching methods.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».