Step-Specific Simulation: The Utility of 3D Printing for the Fabrication of a Low-Cost, Learning Needs-Based Rhinoplasty Simulator
Notice bibliographique
Résumé
BACKGROUND: Rhinoplasty is a complex procedure that requires meticulous planning and precise execution. Plastic surgeons involved in teaching residents must balance a trainee's hands-on experience while ensuring appropriate execution of difficult maneuvers. Surgical simulation, a field of growing importance with the shift towards competency-based education, may aid in trainee skill development. Through the concept of deliberate practice, the authors looked to explore the utility and economics of 3-dimensional (3D) printing technology to develop a step-specific rhinoplasty simulator. OBJECTIVES: The main objective of this study was to address rhinoplasty skills previously identified as "learning areas of weakness" and develop a low-cost, step-specific simulator to help rhinoplasty teaching. METHODS: A patient's facial bones, upper and lower lateral cartilages, and septum were segmented from a computed tomography scan and rendered in 3D format. This was 3D printed utilizing Ultimaker Polylactic filament with a polyvinyl acetate dissolvable support for bone, a mixture of Rigur 450 and Tango plus polyjet material for cartilage, and Smooth-On Dragon Skin for skin. RESULTS: A modular simulator was developed with 3 separate, interchangeable components with a perfect fit design. The simulator allowed for deliberate practice of the 5 rhinoplasty learning areas of weakness, with a maximal recurring cost of $75 CAD. CONCLUSIONS: Through the employment of 3D printing, a low-cost, maneuver-specific rhinoplasty simulator reinforcing deliberate practice was developed. This concept of simulation-based deliberate practice may be of increasing interest when considering the implementation of competency-based curricular standards in plastic surgery education.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».