HoloLens in suturing training
Notice bibliographique
Résumé
PURPOSE: A training module for basic suturing training called Suture Tutor was developed by combining video instruction and voice commands with the Microsoft HoloLens software. We put forth two hypotheses: Trainees find the HoloLens helpful and 2.) HoloLens helps the trainees to achieve a better score in objective skill assessment tests. METHODS: Software module was developed to show instructional video in the HoloLens under voice command. Thirtytwo participants were split into the control group or the HoloLens group. The control group used videos displayed on a computer during training while the HoloLens group practiced with Suture Tutor. Each group was given seven minutes to train with their assigned training method before testing. Testing involved replication of a running locking suturing pattern with a time limit of five minutes and was video recorded. The videos were expert reviewed. Participants in the HoloLens group filled out a usability survey. RESULTS: The trainees found the Hololens to be usable and realistic, and the HoloLens group used the instructional videos more than the control group did (p = 0.0175). There was no difference in the skill assessment test scores between the HoloLens and the control group and their rates of completion in the allotted time was similar. CONCLUSION: Participants found the Suture Tutor to be a user friendly and helpful adjunct. The study was unable to determine if the Suture Tutor helps trainees in achieving a better score in skill assessment testing.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».