Next-generation virtual and augmented reality in surgical education: a narrative review
Notice bibliographique
Résumé
BACKGROUND: Virtual and Augmented Reality (VR/AR) has been used in surgery for several decades. Over the past 5-10 years, however, new technological advances, including high-resolution screens, mobile graphical processing units (mGPUs) and position-sensing technologies, have been incorporated into relatively low-cost VR and AR devices. This review focuses on the current impact of the application of these "Phase 2" VR/AR technology in surgical training. METHODS: A narrative literature review was undertaken using PubMed and Web of Science to identify comparative studies related to the impact of Phase 2 VR or AR tools on surgical training, defined in terms of the acquisition of technical surgical skills. Eleven studies on the effectiveness of VR/AR in surgical education were identified for full review. Further, the grey literature was searched for articles describing the current state of VR/AR in surgical education. A quality analysis using the Newcastle Ottawa scale showed a median score of 7 (out of a maximum achievable score of 9). RESULTS: All studies showed a positive association between the use of VR/AR in surgical training and skill acquisition in terms of improving the speed of acquisition of surgical skills, the surgeon's ability to multitask, the ability to perform a procedure accurately, hand-eye coordination and bimanual operation. The grey literature presented a common, positive theme of the benefits of VR/AR in surgical training. CONCLUSIONS: Based on the limited evidence available, VR/AR appears to have positive training benefits in improving the speed of acquisition of surgical skills. However, the significant heterogeneity in study methodology and the relative recency of wider VR/AR adoption in surgical training mean that only tentative conclusions can be drawn at this stage. Further research, ideally with large sample sizes, robust outcome measures and longer follow-up periods, is recommended.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».