Incidence and severity of Visually Induced motion Sickness during 3D laparoscopy In Operators who had No experience with it (VISION).
Notice bibliographique
Résumé
AIM: The aim of the study was to evaluate the incidence and severity of visually induced motion sickness (VIMS) during 3D laparoscopy, in operators without prior experience. MATERIAL AND METHODS: Design: A retrospective comparative study (Canadian Task Force classification II-2). Setting: A university hospital. Intervention: Gynecologic surgery. Main outcome measure: This is a prospective observational study, which enrolled 9 surgeons as participants. None of these surgeons had any prior experience with 3D laparoscopy. Each participant performed 10 consecutive cases of 3D laparoscopy in patients with benign or premalignant gynecological diseases. The primary outcome measure was the incidence and severity of VIMS, which was evaluated using the validated Simulator Sickness Questionnaire. Personal preferences, discomfort, and ease of 3D laparoscopy were also evaluated. RESULTS: Sixty-seven percent of surgeons experienced VIMS during their first 3D laparoscopy case. The incidence and severity of VIMS dramatically decreased from the second case onward. However, in some surgeons (22-44%), VIMS did not completely disappear until the tenth case. With respect to the discomfort using 3D laparoscopy, 84 self-reported responses after each surgery were "favor 3D laparoscopy," and "no" in 61 (72.6%) and 47 (55.9%) participants, respectively. Most participants found it easier to perform 3D laparoscopy than 2D laparoscopy. CONCLUSIONS: The occurrence of visually induced symptoms in susceptible individuals during 3D laparoscopy is high, particularly during their first case. This suggests the need for increasing surgeons' awareness regarding the possibility of discomfort.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».