Cadaver corneoscleral model for angle surgery training
Notice bibliographique
Résumé
PURPOSE: To assess a new training model (Tackdriver) for new-generation microinvasive glaucoma surgeries (MIGS). SETTING: Resident training centers in Canada. DESIGN: Evaluation of technology. METHODS: Human cadaver corneoscleral rims recovered after Descemet-stripping endothelial keratoplasty or not suitable for transplantation were acquired from an eye bank. The tissue was fixated with a single tack through the center of the cornea, which was inverted in a concave fashion. A water-based medical lubricant was used for placement of a goniolens after visualization of the anterior chamber and the trabecular meshwork. Microbypass stent (iStent) insertion and gonioscopy-assisted transluminal trabeculotomy (GATT) were practiced on this model. The model was qualitatively assessed for ease of preparation, accuracy of surgical simulation, and the number and variety of MIGS procedures that can be performed. RESULTS: Efficient high-volume training was performed for microbypass stent insertion using first-generation and second-generation microbypass stents. The GATT procedure was also performed as a final step in a titratable fashion in 90-, 180-, or 270-degree segments or a complete 360-degree treatment. The model simulated bimanual angle surgery with good fidelity. CONCLUSIONS: The training model allowed for high-volume bimanual MIGS training for techniques such as microbypass stent insertion and removal as well as GATT. Preparation was relatively simple, efficient, and cost-effective compared with other models. Inverting the specimen allowed the trainee to practice MIGS techniques independent of the tissue's corneal clarity. Other MIGS techniques and angle training procedures can be adopted to this model.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».