Simulation reduces navigational errors in cerebral angiography training
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Background Simulation-based medical education (SBME) is growing as a powerful aid in delivering proficient skills training in many specialties. Cerebral angiography (CA), a spatially and navigationally challenging endovascular procedure, can benefit from SBME by training targetable skills outside of the Angiosuite. In order to standardize and specify training requirements, navigational challenges and needs have to be identified. Furthermore, to enable successful adoption of these strategies, simulation adoption barriers, such as necessity of supervisory resources, must be reduced. In this study, we assessed the navigational challenges in simulated CA through a self-guided novice training program. Methods Novice participants ( n = 14) received virtual reality (ANGIO Mentor, Simbionix) diagnostic cerebral angiography training and were tested on a right middle cerebral artery aneurysm case over 8 sessions with a reference instructional outline. The navigational trajectories for the guidewire and catheter were analyzed and rates in erroneous vessel access were analyzed. Participants were given a Mental Rotations Test (MRT) and were analyzed based on MRT performance. Results After 8 sessions, there was a significant ( p < 0.05) reduction on navigational error prevalence. The L-SUB and L-CCA saw the biggest drop in erroneous access, whereas the R-ECA, the biggest consumer of error time, saw no changes in access frequency. Individuals with high MRT score performed much better ( p < 0.05) than those with low MRT score. Conclusions Through self-guided simulation training, we demonstrated the navigational challenges encountered in simulated CA. To establish better assessments and standards in medical training, we can create self-guided training curricula aimed at correcting errors, enabling repetitive practice, and reducing human resource needs.
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.
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 découle