Comparison of Adult and Pediatric Surgeons: Insight into Simulation-Based Tools That May Improve Expertise Among Experts
Notice bibliographique
Résumé
BACKGROUND: Laparoscopic models are increasingly recognized as important tools in surgical training. The purpose of this study was to compare pediatric and adult laparoscopic surgical skills, and gain insight into the upskilling in both groups. MATERIALS AND METHODS: Adult- and pediatric-sized laparoscopic simulators were fitted with custom-built motion tracking hardware and software. Participants were recruited at the Education Booth of the 2012 combined SAGES/IPEG meeting. They each performed 1 adult and 1 pediatric intracorporeal suturing task. Velocity, acceleration, and range were studied in all degrees of freedom available during laparoscopic surgery (pitch, yaw, roll, and surge). Participants were stratified by expertise based on the traditional metrics of self-reported caseloads. RESULTS: A total of 57 participants (15 novices, 7 intermediates, and 35 experts) were recruited. Experts had significantly higher extreme events in three of the four degrees of freedom when using the pediatric simulator than when using the adult simulator. Few significant differences were seen when comparing novice and intermediate performances on the adult versus pediatric simulator. Linear regression showed no difference between adult and pediatric experts tested on the adult or pediatric simulator. CONCLUSIONS: Experts were more challenged with the pediatric than with the adult suturing task. No difference was noted for overall averaged performance metrics comparing adult and pediatric experts suturing in adult versus pediatric simulators. As a participant's level of expertise improves, a model progressing from larger to smaller domains in the performance of defined laparoscopic tasks may, by virtue of its greater challenge, encourage psychomotor development.
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 | 0,000 | 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 | 0,000 |
| 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 ».