Introduction of an ex-vivo pig model for teaching percutaneous nephrolithotomy access techniques
Notice bibliographique
Résumé
INTRODUCTION: In North America, obtaining access for percutaneous nephrolithotomy (PCNL) is not often performed by urologists. Hands-on training sessions help to ensure this skill continues within the urological community. An ex-vivo pig kidney model was developed for simulation. This model uses porcine tissues with a fluoroscopic C-arm and standard PCNL equipment. The bullseye or triangulation techniques are both possible. We propose this as a high-fidelity tool for teaching PCNL access. METHODS: The pig kidney, fat, ribs, flank, and skin were arranged anatomically on a table with fluoroscopy. Hands-on training was provided to residents and urologists using the ex-vivo pig model and a silicone-based percutaneous access model. Questionnaires were given at the end of the session. RESULTS: There was a total 14 responders for each model, with incomplete responses on two surveys. A total of 15% of responders for the pig model and 7% of responders for the silicone model had previous percutaneous access experience. For the pig model, 93% of trainees agreed or strongly agreed that the model was easy to use, and 79% of the silicone model trainees felt the same. After the session, 50% of silicone model trainees and 86% of pig model trainees reported increased confidence in their ability to obtain PCNL access. All the pig model trainees and 71% of the silicone model trainees felt that the simulation activity was worthwhile. CONCLUSIONS: The inexpensive but anatomically realistic ex-vivo pig model using real-world equipment provides trainees with an excellent tool to learn PCNL access.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».