The Effect of Computer Navigation on Trainee Learning of Surgical Skills
Notice bibliographique
Résumé
BACKGROUND: While computer-assisted orthopaedic surgery technology may facilitate performance and learning in the expert, its effects on the trainee are unclear. Motor learning theory suggests that, while the real-time feedback provided by computer-assisted orthopaedic surgery should improve performance, it may be detrimental to learning. The purpose of this study was to assess the effects of computer-assisted orthopaedic surgery on the learning of surgical skills by trainees. METHODS: Forty-five participants were randomized to one of three training groups-conventional training, computer navigation, or knowledge of results-in which they learned technical skills related to total hip replacement. Outcomes were assessed in a pretest session and in ten-minute and six-week retention and transfer tests. RESULTS: All groups demonstrated improved accuracy and precision in the determination of the abduction angle and the version angle of the acetabular cups during training (p < 0.001). The computer navigation group demonstrated significantly better accuracy and precision in early training (p < 0.05) and better precision throughout training (p < 0.05). No significant degradation in performance was observed between the immediate and the delayed testing for any group, suggesting that there was task learning in all groups with no negative effects of the tested training modalities on learning. CONCLUSIONS: In this study, the concurrent augmented feedback provided by computer-assisted orthopaedic surgery resulted in improved early performance and equivalent learning. While we did not observe a compromise in learning, further investigation is required to ensure that computer-assisted orthopaedic surgery does not compromise trainee learning in more complex tasks.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».