A Surgical Virtual Reality Simulator Distinguishes Between Expert Gynecologic Laparoscopic Surgeons and Perinatologists
Notice bibliographique
Résumé
BACKGROUND: Concern regarding the quality of surgical training in obstetrics and gynecology residency programs is focusing attention on competency based education. Because open surgical skills cannot necessarily be translated into laparoscopic skills and with minimally invasive surgery becoming standard in operative gynecology, the discrepancy in training between obstetrics and gynecology will widen. Training on surgical simulators with virtual reality may improve surgical skills. However, before incorporation into training programs for gynecology residents the validity of such instruments needs to first be established. We sought to prove the construct validity of a virtual reality laparoscopic simulator, the SurgicalSim(TM), by showing its ability to distinguish between surgeons with different laparoscopic experience. METHODS: Eleven gynecologic surgeons (experts) and 11 perinatologists (controls) completed 3 tasks on the simulator, and 10 performance parameters were compared. RESULTS: The experts performed faster, more efficiently, and with fewer errors, proving the construct validity of the SurgicalSim. CONCLUSIONS: Laparoscopic virtual reality simulators can measure relevant surgical skills and so distinguish between subjects having different skill levels. Hence, these simulators could be integrated into gynecology resident endoscopic training and utilized for objective assessment. Second, the skills required for competency in obstetrics cannot necessarily be utilized for better performance in laparoscopic gynecology.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».