Novel High‐Fidelity Peritonsillar Abscess Simulator
Notice bibliographique
Résumé
OBJECTIVE: To create and assess a novel high-fidelity peritonsillar abscess simulation task trainer with junior otolaryngology-head and neck surgery residents. STUDY DESIGN: Prospective cohort study. SETTING: Third annual Emergencies in Otolaryngology Head & Neck Surgery Bootcamp course at the Canadian Surgical Technologies & Advanced Robotics in London, Canada. SUBJECTS AND METHODS: Fresh cadaveric material was obtained consisting of a head and neck. Abscess pockets were simulated with a finger of a latex glove containing vanilla pudding to represent pus, tied off with a silk suture. These abscess pockets were inserted into the peritonsillar space from the transected neck inferiorly, passing medial to the great vessels into the parapharyngeal space. Faculty members evaluated the models to test content validity. The primary outcome measure was a postbootcamp survey evaluation assessing specific domains: learning objectives, effectiveness of faculty, and the quality and realism of models. RESULTS: When working with this model, learners were able to locate, visualize, and manipulate the abscess. The materials and positioning of the pockets created high-fidelity models that were realistic in appearance and haptics feedback. CONCLUSIONS: A novel high-fidelity task trainer has been successfully developed to teach the technique of peritonsillar abscess incision and drainage. This task trainer is currently the highest-fidelity model reported in the literature. This model allows learners to practice a high-stakes emergency skill in a controlled environment, affording the opportunity to practice localization, visualization, and drainage of the abscess with a high level of realism.
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 | 0,000 | 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) | 0,002 | 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 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 ».