Teaching Palatoplasty Using a High-Fidelity Cleft Palate Simulator
Notice bibliographique
Résumé
BACKGROUND: Cleft palate repair is a challenging procedure for cleft surgeons to teach. A novel high-fidelity cleft palate simulator has been described for surgeon training. This study evaluates the simulator's effect on surgeon procedural confidence and palatoplasty knowledge among learners. METHODS: Plastic surgery trainees attended a palatoplasty workshop consisting of a didactic session on cleft palate anatomy and repair followed by a simulation session. Participants completed a procedural confidence questionnaire and palatoplasty knowledge test immediately before and after the workshop. RESULTS: All participants reported significantly higher procedural confidence following the workshop (p < 0.05). Those with cleft palate surgery experience had higher procedural confidence before (p < 0.001) and after (p < 0.001) the session. Palatoplasty knowledge test scores increased in 90 percent of participants. The mean baseline test score was 28 ± 10.89 percent and 43 ± 18.86 percent following the workshop. Those with prior cleft palate experience did not have higher mean baseline test scores than those with no experience (30 percent versus 28 percent; p > 0.05), but did have significantly higher scores after the workshop (61 percent versus 35 percent; p < 0.05). All trainees strongly agreed or agreed that the simulator should be integrated into training and they would use it again. CONCLUSIONS: This study demonstrates the effective use of a novel cleft palate simulator as a training tool to teach palatoplasty. Improved procedural confidence and knowledge were observed after a single session, with benefits seen among trainees both with and without previous cleft experience.
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 | 0,007 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».