Muscular workload of veterinary students during simulated open and laparoscopic surgery: A pilot study*
Notice bibliographique
Résumé
OBJECTIVE: To compare upper extremity muscle activity and workload between simulated open surgery, multiple port laparoscopic surgery (MLS), and single incision laparoscopic surgery (SLS) techniques in veterinary students. STUDY DESIGN: Pilot study. POPULATION: Veterinary students (n = 10) from years 1 to 4. METHODS: Bipolar skin surface electrodes were fixed bilaterally to the forearm flexor, forearm extensor, biceps brachii, triceps brachii, and upper trapezius muscles. Electromyography data were recorded during one repetition of 2 simulated surgical exercises via open surgery, MLS, and SLS. Participants completed a validated workload survey after each simulated surgical technique. Muscle activity and perceived workload were compared between surgical techniques with 1-way ANOVAs and Fisher's LSD post hoc tests. RESULTS: Muscle activity during peg transfer was higher with MLS and SLS compared to simulated open surgery in the right and left forearm extensors (both P < .0001), right (P < .0001) and left biceps (P = .0005), right triceps (P = .0004), and right upper trapezius muscles (P = .0211). Similar results were found for the right and left forearm extensors (both P < .0001), right (P = .0381) and left (P = .0147) forearm flexors, right biceps (P < .0001), and right triceps (P = .0004) during a simulated suture task. Participants found laparoscopic techniques more mentally demanding, physically demanding, complex, and stressful compared to a simulated open surgical technique. CONCLUSION: In veterinary students, average muscle activity and perceived workload were highest using MLS and SLS compared to an open surgical technique when performing simulated surgical exercises in a laparoscopic box trainer.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».