Mental Practice Enhances Surgical Technical Skills
Notice bibliographique
Résumé
OBJECTIVE: To assess the effects of mental practice on surgical performance. BACKGROUND: Increasing concerns for patient safety have highlighted a need for alternative training strategies outside the operating room. Mental practice (MP), "the cognitive rehearsal of a task before performance," has been successful in sport and music to enhance skill. This study investigates whether MP enhances performance in laparoscopic surgery. METHODS: After baseline skills testing, 20 novice surgeons underwent training on an evidence-based virtual reality curriculum. After randomization using the closed envelope technique, all participants performed 5 Virtual Reality (VR) laparoscopic cholecystectomies (LC). Mental practice participants performed 30 minutes of MP before each LC; control participants viewed an online lecture. Technical performance was assessed using video Objective Structured Assessment of Technical Skills-based global ratings scale (scored from 7 to 35). Mental imagery was assessed using a previously validated Mental Imagery Questionnaire. RESULTS: Eighteen participants completed the study. There were no intergroup differences in baseline technical ability. Learning curves were demonstrated for both MP and control groups. Mental practice was superior to control (global ratings) for the first LC (median 20 vs 15, P = 0.005), second LC (20.5 vs 13.5, P = 0.001), third LC (24 vs 15.5, P < 0.001), fourth LC (25.5 vs 15.5, P < 0.001) and the fifth LC (27.5 vs 19.5, P = 0.00). The imagery for the MP group was also significantly superior to the control group across all sessions (P < 0.05). Improved imagery significantly correlated with better quality of performance (ρ 0.51–0.62, Ps < 0.05). CONCLUSIONS: This is the first randomized controlled study to show that MP enhances the quality of performance based on VR laparoscopic cholecystectomy. This may be a time- and cost-effective strategy to augment traditional training in the OR thus potentially improving patient care.
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 | 0,000 | 0,002 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».