Evaluation of a Human Virtual-Reality Endoscopy Trainer for Teaching Early Endoscopy Skills to Veterinarians
Notice bibliographique
Résumé
Competency in flexible endoscopy is a major goal of small animal internal medicine residency training programs. Hands-on laboratories to teach entry-level skills have traditionally used anesthetized laboratory dogs (live dog laboratory [LDL]). Virtual-reality endoscopy trainers (VRET) are used for this purpose in human medicine with the clear benefits of avoiding live animal use, decreasing trainee stress, and allowing repeated, independent training sessions. However, there are currently no commercially available veterinary endoscopy simulators. The purpose of the study was to determine whether a human VRET can be a reasonable alternative to a LDL for teaching early veterinary endoscopy skills. Twelve veterinarians with limited or no endoscopy experience underwent training with a VRET ( n = 6) or a LDL ( n = 6), performed two recorded esophagogastroduodenoscopies (EGD) on anesthetized dogs for evaluation purposes (outcomes laboratory), and then underwent training with the alternative method. Participants completed questionnaires before any training and following each training session. No significant differences were found between training methods based on: measured parameters from the outcomes laboratory, including duration of time to perform EGD; evaluators’ assessment of skills; and, assessment of skills through blinded review of the esophageal portion of EGD recordings. The VRET was less stressful for participants than the LDL ( p = .02). All participants found that the VRET was a useful and acceptable alternative to the LDL for training of early endoscopy skills. Based on this limited study, VRET can serve as a reasonable alternative to LDL for teaching endoscopy skills to veterinarians.
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 | 0,005 | 0,003 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».