Teaching Emergency Surgical Skills for Trauma Resuscitation-Mechanical Simulator versus Animal Model
Notice bibliographique
Résumé
Background. Traditionally, surgical skills in trauma resuscitation have been taught using animal models in the advanced trauma life support (ATLS) course. We compare one mechanical model (TraumaMan simulator) as an alternative teaching tool for these skills.Method. Eighteen providers and 14 instructors performed four surgical procedures on TraumaMan and compared educational effectiveness with the porcine model. Evaluation was conducted (Likert system 1: very poor to 5: excellent). The participants indicated if TraumaMan was a suitable (scale 1: not suitable to 4: excellent) ATLS teaching model considering cost, animal ethics concerns, and other factors. Comments were solicited for both models.Results. Overall ratings for educational effectiveness of the 4 skills ranged from 3.58 to 4.36 for the porcine and 3.48 to 4.29 for the TraumaMan model. TraumaMan suitability was rated 3-4 (mean 3.38) by 84% participants. TraumaMan as a substitute for the porcine model was recommended by 85% participants. With no ethical or cost concerns, 44% students and 71% instructors preferred TraumaMan. Considering all factors, TraumaMan was preferred by 78% students and 93% instructors.Conclusions. TraumaMan is a suitable alternative to the porcine model and considering all factors it may be the preferred method for teaching ATLS emergency trauma surgical skills.
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 | 0,004 | 0,009 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».