Closing the knowledge gap in pelvic neuroanatomy: assessment of a cadaveric training program
Notice bibliographique
Résumé
BACKGROUND: The objective of this study is to characterize participants in a laparoscopic cadaveric neuroanatomy course and assess knowledge of pelvic neuroanatomy before and after this course. METHODS: This is a survey-based cohort study with a setting in a university educational facility. The participants are surgeons in a multiday laparoscopic cadaveric pelvic neuroanatomy course. Participants completed a precourse survey, including demographics and comfort with laparoscopic surgery. They then completed an identical precourse and postcourse anatomic knowledge test. Main outcomes are scores on the anatomic knowledge test precourse and postcourse. RESULTS: 44 respondents were included: 25 completed fellowship, 15 completed residency, 2 were residents, and 2 were fellows. Participants were on average 11.09 years post training, with an average of 8.67 years from training if they completed fellowship and 18.62 years if they completed residency only. 22 of 42 respondents strongly agreed or agreed they are comfortable performing complex laparoscopic hysterectomies. The average precourse score was 32.18/50 points and the mean difference score (MDS, defined as mean of Postcourse scores minus Precourse scores) was 9.80, showing significant improvement (p < 0.001). Precourse and MDS scores were not significantly different when comparing country of practice, level of training, or time since training. CONCLUSION: Baseline knowledge of pelvic neuroanatomy was similar among groups when comparing fellowship status, place of training, or time since training. There was significant improvement in knowledge after training in this dissection method. This course garnered interest from surgeons with broad training backgrounds.
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 | 0,001 | 0,002 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».