MétaCan
Menu
Retour à la cohorte
Enregistrement W2315709551 · doi:10.1097/01266021-200700210-00022

Survey of Current Surgical Competency Assessment and a Possible Role for Virtual Reality Simulation.

2007· article· en· W2315709551 sur OpenAlexaboutno aff
Yousuf M. Khalifa, Nadeem Fatteh, David Bogorad, Julian J. Nussbaum

Notice bibliographique

RevueSimulation in Healthcare The Journal of the Society for Simulation in Healthcare · 2007
Typearticle
Langueen
DomaineMedicine
ThématiqueSurgical Simulation and Training
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRespondentVirtual realityCurriculumMedical educationMedicineCompetency assessmentPsychologyComputer sciencePedagogyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: To survey Ophthalmology Residency program directors and chairmen regarding current surgical competency assessment trends and opinions on the role of virtual reality surgical simulation. METHODS: A 23 question survey was sent to the membership of the Association of University Professors of Ophthalmology (AUPO), which includes residency program directors and chairmen from 120 ophthalmology training programs in the United States and Canada. Questions encompassed current surgical assessment methods for residents, the respondent’s virtual reality experience, and the respondent’s opinions on virtual reality simulation RESULTS: A total of 106 responses (44.2%) from 83 different residency programs (69.2%) were received. 86.7% of programs had functional wetlabs with 87.7% of respondents believing that wetlabs were beneficial. Experience with virtual reality simulation was limited to only having heard of the technology in 76.4% of respondents, 59.4% have seen a VR simulator, 34.9% have hands-on experience with VR simulator, and 2.8% use VR simulation in training. Those with higher familiarity scores had a stepwise more favorable opinion of VR with regards to patient safety, surgical curriculum, and awareness/acceptance by residents and faculty. CONCLUSIONS The community of ophthalmology educators is grappling with the issue of ACGME-mandated competency-based assessment in general and surgical competency appraisal tools in particular. The selection of assessment methods varies widely from program to program. Two different programs may use a similar number of assessment methods but completely different methods of assessment. This lack of uniformity can be corrected by implementation of objective, efficacious methods that are used across the board and serve as a standard of assessment among residency programs. VR is one such possibility of standardized assessment. While VR is considered relatively advanced technology, it is a rather new tool and its efficacy as a method of assessment has not been adequately gauged. Furthermore, awareness of VR is low as is knowledge regarding its possible incorporation into surgical curriculum. Perception of VR, familiarity with usage of VR, obstacles faced in incorporating VR into curriculum, and the issue of whether or not it is even a valid assessment tool were addressed in this study. The results of this survey support virtual reality as a means of delivering a surgical curriculum that is safe for the patient and accepted by residents and faculty. Conversely, cost is viewed as a detractor from full implementation. The acquisition of surgical skills and transferability of surgical skills gained through virtual reality simulation has not been substantiated according to the opinions of those surveyed. The results of the survey shed some light on the residency programs’ current opinions of VR, but more definitive research is needed to prove the benefit of virtual reality in the operating room.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,115
Score d'incertitude au seuil0,748

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0100,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,130
Tête enseignante GPT0,472
Écart entre enseignants0,342 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSimulation in Healthcare The Journal of the Society for Simulation in HealthcareMême sujetSurgical Simulation and TrainingTravaux en français237 207