What Arthroscopic Skills Need to Be Trained Before Continuing Safe Training in the Operating Room?
Notice bibliographique
Résumé
Abstract The purpose of this study was to generate consensus among experienced surgeons on “what skills a resident should possess before continuing safe training in the operating room (OR).” An online survey of 65 questions was developed and distributed to surgeons in the European community. A total of 216 responded. The survey included 15 questions regarding generic and specific skills; 16 on patient and tissue manipulation, 11 on knowledge of pathology and 6 on inspection of e-anatomical structures; 5 methods to prepare residents; and 12 on specific skills exercises. The importance of each question (arthroscopic skill) was evaluated ranging from 1 (not important at all) to 6 (very important). Chi-square test, respondent agreement, and a qualitative ranking method were determined to identify the top ranked skills (p < 0.05). The top four of general skills considered important were “anatomical knowledge,” “tissue manipulation,” “spatial perception,” and “triangulation” (all chi-square test > 134, p < 0.001, all excellent agreement > 0.85, and all “high priority” level). The top ranked 2 specific arthroscopic skills were “portal placement” and “triangulating the tip of the probe with a 30-degree scope” (chi-square test > 176, p < 0.001, excellent agreement, and assigned high priority). The online survey identified consensus on skills that are considered important for a trainee to possess before continuing training in the OR. Compared with the Canadian colleagues, the European arthroscopy community demonstrated similar ranking.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 ».