Current status of wet lab and cadaveric simulation in urological training: A systematic review
Notice bibliographique
Résumé
INTRODUCTION: We undertook a systematic review of the use of wet lab (animal and cadaveric) simulation models in urological training, with an aim to establishing a level of evidence (LoE) for studies and level of recommendation (LoR) for models, as well as evaluating types of validation. METHODS: Medline, EMBASE, and Cochrane databases were searched for English-language studies using search terms including a combination of "surgery," "surgical training," and "medical education." These results were combined with "wet lab," "animal model," "cadaveric," and "in-vivo." Studies were then assigned a LoE and LoR if appropriate as per the education-modified Oxford Centre for Evidence-Based Medicine classification. RESULTS: A total of 43 articles met the inclusion criteria. There was a mean of 23.1 (±19.2) participants per study with a median of 20. Overall, the studies were largely of low quality, with 90.7% of studies being lower than LoE 2a (n=26 for LoE 2b and n=13 for LoE 3). The majority (72.1%, n=31) of studies were in animal models and 27.9% (n=12) were in cadaveric models. CONCLUSIONS: Simulation in urological education is becoming more prevalent in the literature, however, there is a focus on animal rather than cadaveric simulation, possibly due to cost and ethical considerations. Studies are also predominately of a low LoE; higher LoEs, especially randomized controlled studies, are needed.
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 | 0,023 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,008 |
| Bibliométrie | 0,015 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».