Effect of an Augmented Reality Ultrasound Trainer App on the Motor Skills Needed for a Kidney Ultrasound: Prospective Trial
Notice bibliographique
Résumé
BACKGROUND: Medical education is evolving from "learning by doing" to simulation-based hands-on tutorials. OBJECTIVE: The aim of this prospective 2-armed study was to evaluate a newly developed augmented reality ultrasound app and its effect on educational training and diagnostic accuracy. METHODS: We recruited 66 medical students and, using imaging and measuring a kidney as quality indicators, tested them on the time they needed for these tasks. Both groups used textbooks as preparation; in addition, the study group had access to a virtual ultrasound simulation app for mobile devices. RESULTS: There was no significant difference between the study arms regarding age (P=.97), sex (P=.14), and previous ultrasound experience (P=.66). The time needed to complete the kidney measurements also did not differ significantly (P=.26). However, the results of the longitudinal kidney measurements differed significantly between the study and control groups, with larger, more realistic values in the study group (right kidney: study group median 105.3 mm, range 86.1-127.1 mm, control group median 92 mm, range 50.4-112.2 mm; P<.001; left kidney: study group median 100.3 mm, range 81.7-118.6 mm, control group median 85.3 mm, range 48.3-113.4 mm; P<.001). Furthermore, whereas all students of the study group obtained valid measurements, students of the control group did not obtain valid measurements of 1 or both kidneys in 7 cases. CONCLUSIONS: The newly developed augmented reality ultrasound simulator mobile app provides a useful add-on for ultrasound education and training. Our results indicate that medical students' use of the mobile app for training purposes improved the quality of kidney measurements.
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 | 0,005 |
| 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 ».