Educational Role for an Advanced Suturing Task in the Pediatric Laparoscopic Surgery Simulator
Notice bibliographique
Résumé
BACKGROUND: Laparoscopic models are recognized as important training tools. Lower fidelity systems are used mainly for simpler tasks; an advanced suturing task may allow for additional training of experts. The purpose of this study was to explore the educational role of an advanced suturing task using motion analysis and establish the task's construct validity. METHODS: The pediatric laparoscopic surgery (PLS) simulator was customized with motion-tracking hardware and software. Participants were stratified by expertise, then performed an advanced task involving intracorporeal suturing in a vertical plane, with the suture passing superiorly to inferiorly. Traditional PLS scores were calculated, and motion was analyzed in the four degrees of freedom available in laparoscopic surgery (Pitch, Yaw, Roll, and Surge). Data were compared to historic results for a standard suturing task. RESULTS: Sixty participants were recruited (8 novices, 13 intermediates, and 39 experts). Analysis of motion in all degrees of freedom allowed discrimination between participants based on expertise level. Compared with the standard task, PLS scores for the advanced task were significantly lower for intermediates and experts, and the number of extreme motion events was significantly higher, indicating that advanced task is more challenging. In addition, only 76.3% of experts, 76.9% of intermediates, and 37.5% of novices were able to successfully complete the advanced task. CONCLUSIONS: Performance of an advanced intracorporeal suturing task allowed discrimination of expertise level. The task's increased complexity may help hone laparoscopic technical skills, particularly among advanced performers, and even allow discrimination of psychomotor expertise within the traditional cohort of experts.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».