Virtual reality simulation training in endoscopy: a Cochrane review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Endoscopy programs are increasingly integrating simulation training. We conducted a systematic review to determine whether virtual reality (VR) simulation training can supplement and/or replace conventional patient-based endoscopy training for health professional trainees with limited or no prior endoscopic experience. METHODS: We searched medical, educational, and computer literature databases in July 2017 for trials that compared VR simulation training with no training, conventional training, another form of simulation training, or an alternative method of VR training. We screened, abstracted data, and performed quantitative analysis and quality assessment through Cochrane methodology. RESULTS: We included 18 trials with 3817 endoscopic procedures. VR training provided no advantage over no training or conventional training based on the primary outcome of composite score of competency. VR training was advantageous over no training based on independent procedure completion (relative risk [RR] = 1.62, 95 % confidence interval [CI] 1.15 - 2.26, moderate-quality evidence), overall rating of performance (mean difference [MD] 0.45, 95 %CI 0.15 - 0.75, very low-quality evidence), and mucosal visualization (MD 0.60, 95 %CI 0.20 - 1.00, very low-quality evidence). Compared with conventional training, VR training resulted in fewer independent procedure completions (RR = 0.45, 95 %CI 0.27 - 0.74, low-quality evidence). We found no differences between VR training and no training or conventional training for other outcomes. Based on qualitative analysis, we found no significant differences between VR training and other forms of simulation training. VR curricula based in educational theory provided benefit with respect to composite score of competency, compared with unstructured curricula. CONCLUSIONS : VR simulation training is advantageous over no training and can supplement conventional endoscopy training. There is insufficient evidence that simulation training provides benefit over conventional training.
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 | 0,010 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,015 | 0,027 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».