Training Skills in Minimally Invasive, Robotic and Open Surgery: Brain Activation as an Opportunity for Learning
Notice bibliographique
Résumé
INTRODUCTION: The advantages of the robotic approach in surgery are undisputed. However, during surgical training, how this technique influences the learning curve has not been described. We provide a tentative model for analyzing the learning curves associated with observation and active participation in learning different surgical techniques, using functional imaging. METHODS: Forty medical students were enrolled and assigned to 4 groups who underwent training in robotic (ROB), laparoscopic (LAP), or open (OPEN) surgery, and a control group that performed motor training without surgical instruments. Surgical/motor training included six 1-h sessions completed over 6 days of the same week. All subjects underwent functional magnetic resonance imaging (fMRI) scanning sessions, before and after surgical training during. RESULTS: Twenty-three participants completed the study. The 3 surgical groups exhibited different learning curves during training. The main effects of the day of training (p < 0.01) and the group (p < 0.01) as well as a significant interaction of day of training group (p < 0.01) were observed. The performance increased in the first 4 days, reaching a peak at day 4, when all groups were considered together. The OPEN group showed the best performance compared to all other groups (p < 0.04). The OPEN group showed a rapid improvement in performance, which peaked at day 4 and decreased on the last day. Similarly, the LAP group showed a steady increase in the number of exercises they completed, which continued for the entire training period and reached a peak on the last day. However, the participants training in ROB surgery, after a performance initially indistinguishable from that of the LAP group, had a dip in their performance, quickly followed by an improvement and reaching a plateau on day 4. fMRI analysis documented the different involvement of the cortical and subcortical areas based on the type of training. Surgical training modified the activation of some brain regions during both observation and the execution of tasks. CONCLUSIONS: Differences in the learning curves of the 3 surgical groups were noted. Functional brain activity represents an interesting starting point to guide training programs.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».