Simulation reduces navigational errors in cerebral angiography training
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.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».