Error-Based Teaching Approach Decreases Vessel Anastomosis Errors: A Pilot Study
Notice bibliographique
Résumé
Abstract Background Microsurgical anastomosis of vessels is a challenging skill that surgical residents should practice on models before attempting in the clinical setting. These skills are often taught using synthetic materials, animal tissue, or live animal models. With increasing constraints on surgical resident's time, it is important to maximize efficiency of microsurgical training. The purpose of this study is to determine if teaching surgical residents about common vessel anastomosis errors decreases the total number of suture errors during a 4-day training course. Methods Plastic surgery residents (R1–R3) were randomly assigned to receive additional teaching focused on either common microsurgical errors or traditional microsurgical manuals. The residents then performed anastomosis on rat femoral arteries in which the total number of sutures and errors were recorded by staff microsurgeons who were blinded to the intervention. Results Residents who received teaching on common microsurgical errors performed a total of 73 sutures of which 12 were errors. The control group who studied using traditional microsurgical manuals performed a total of 125 sutures of which 38 were errors. There was a statistically significant decrease in the total number of suture errors (Fisher's exact test; p-value = 0.04) and in the number of partial depth bite errors (Fisher's exact test p-value = 0.03). Conclusion Teaching surgical residents about common vessel anastomosis errors decreased the total number of errors when compared with traditional education methods using microsurgery manuals. Partial depth bite errors were also decreased through error-based teaching.
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 | 0,002 | 0,000 |
| 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 | 0,001 |
| 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 ».