Comparison of Simulated Surgical Skills Using Different Camera Aperture Settings for Digitally Assisted Vitreoretinal Surgery
Notice bibliographique
Résumé
Purpose: This cross-sectional, randomized, single-blinded study evaluates simulated surgical skills during digitally assisted vitreoretinal surgery (DAVS) with different camera aperture settings to determine maximal surgical performance and preference. Methods: Fifteen retina fellows performed 3 different surgical simulator tests with a DAVS visualization system. To evaluate maximal surgical performance and preference, DAVS was evaluated at different camera apertures (30% and 75%) with a fixed magnification (12×) and television (TV) viewing distance (1.2 m [4 ft]). Comparisons were made of the time needed to complete each test as well as the number of errors. At the end of the 3 tests, participants were asked for their camera aperture preference. Results: The time it took to perform each simulated surgical test was significantly less with the 30% aperture than with the 75% aperture ( P = .036). Furthermore, the number of errors made with the 30% aperture was always less than with the 75% aperture ( P = .009). After completing all tests, evaluation of surgeon preference for camera aperture settings showed that 83% of the participants preferred the 30% aperture over the 75% aperture. Conclusions: Optimization of DAVS parameters directly influences surgical performance. A 30% camera aperture in DAVS outperforms larger camera apertures, not only in depth of field and lateral resolution values, but also in simulated surgical skills. A smaller number of errors, as well as less time needed to complete tests, was achieved with these settings. We suggest that the optimal settings for DAVS enhancement are a 30% camera aperture and a TV viewing distance of 1.2 m.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| 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 ».