Efficacy of Surgical Simulation Training in a Low‐Income Country
Notice bibliographique
Résumé
INTRODUCTION: Simulation training has evolved as an important component of postgraduate surgical education and has shown to be effective in teaching procedural skills. Despite potential benefits to low- and middle-income countries (LMIC), simulation training is predominately used in high-income settings. This study evaluates the effectiveness of simulation training in one LMIC (Rwanda). METHODS: Twenty-six postgraduate surgical trainees at the University of Rwanda (Kigali, Rwanda) and Dalhousie University (Halifax, Canada) participated in the study. Participants attended one 3-hour simulation session using a high-fidelity, tissue-based model simulating the creation of an end ileostomy. Each participant was anonymously recorded completing the assigned task at three time points: prior to, immediately following, and 90 days following the simulation training. A single blinded expert reviewer assessed the performance using the Objective Structured Assessment of Technical Skill (OSATS) instrument. RESULTS: The mean OSATS score improvement for participants who completed all the assessments was 6.1 points [95 % Confidence Interval (CI) 2.2-9.9, p = 0.005]. Improvement was sustained over a 90-day period with a mean improvement of 4.1 points between the first and third attempts (95 % CI 0.3-7.9, p = 0.038). Simulation training was effective in both study sites, though most gains occurred with junior-level learners, with a mean improvement of 8.3 points (95 % CI 5.1-11.6, p < 0.001). Significant improvements were not identified for senior-level learners. CONCLUSION: This study supports the benefit for simulation in surgical training in LMICs. Skill improvements were limited to junior-level trainees. This work provides justification for investment in simulation-based curricula in Rwanda and potentially other LMICs.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».