An evidence-based laparoscopic simulation curriculum shortens the clinical learning curve and reduces surgical adverse events
Notice bibliographique
Résumé
BACKGROUND: Surgical simulation is becoming increasingly important in surgical education. However, the method of simulation to be incorporated into a surgical curriculum is unclear. We compared the effectiveness of a proficiency-based preclinical simulation training in laparoscopy with conventional surgical training and conventional surgical training interspersed with standard simulation sessions. MATERIALS AND METHODS: In this prospective single-blinded trial, 30 final-year medical students were randomized into three groups, which differed in the way they were exposed to laparoscopic simulation training. The control group received only clinical training during residency, whereas the interval group received clinical training in combination with simulation training. The Center for Surgical Technologies Preclinical Training Program (CST PTP) group received a proficiency-based preclinical simulation course during the final year of medical school but was not exposed to any extra simulation training during surgical residency. After 6 months of surgical residency, the influence on the learning curve while performing five consecutive human laparoscopic cholecystectomies was evaluated with motion tracking, time, Global Operative Assessment of Laparoscopic Skills, and number of adverse events (perforation of gall bladder, bleeding, and damage to liver tissue). RESULTS: The odds of adverse events were 4.5 (95% confidence interval 1.3-15.3) and 3.9 (95% confidence interval 1.5-9.7) times lower for the CST PTP group compared with the control and interval groups. For raw time, corrected time, movements, path length, and Global Operative Assessment of Laparoscopic Skills, the CST PTP trainees nearly always started at a better level and were never outperformed by the other trainees. CONCLUSION: Proficiency-based preclinical training has a positive impact on the learning curve of a laparoscopic cholecystectomy and diminishes adverse events.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».