The Role of Simulation in Teaching Sinus Surgery in Otolaryngology Residency: A Survey of Rhinologists
Notice bibliographique
Résumé
BACKGROUND: Simulation is currently recognized as an effective surgical training tool. However, no standardized curriculum exists for endoscopic sinus surgery (ESS) simulation training. The goal of this study was to obtain an understanding of current ESS simulation use to aid the future development of an ESS training curriculum. METHODS: A 14-question survey regarding sinus simulation in residency training was developed through the education committee of the American Rhinologic Society. The survey was administered to academic American Rhinologic Society members in the United States, Canada, and Puerto Rico. The participants provided information regarding the type, amount, and effectiveness of simulation use in their residency program. RESULTS: Responses were received from 67 training programs; 45% of the programs endorsed using simulation training, although only 23.9% used ESS simulation, and all the programs used cadavers. Only 12.5% of respondent programs required ESS simulation training before operating on live patients, and trainees had an average of <6 hours of simulation training before live operations. A majority of respondents observed subjective improvement in residents' endoscope handling, dexterity, and understanding of anatomy after ESS simulation. The greatest obstacles identified were associated cost and lack of realistic simulators. CONCLUSION: A majority of responders observed improved surgical technique and knowledge in residents after simulation training. However, <25% of the survey responders used ESS simulation and cited cost and limited availability as the most common barriers. A curriculum of validated simulators has potential to improve the quality of ESS training during residency.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».