Maintaining technical proficiency in senior surgical fellows during the COVID-19 pandemic through virtual teaching
Notice bibliographique
Résumé
Background The novel coronavirus (COVID-19) pandemic has resulted in a severe reduction in operative opportunities for trainees. We hypothesized that augmenting independent practice with a bench model of vascular anastomoses using regular videoconferences and individual feedback would provide a meaningful benefit in the maintenance of technical skills in senior lung transplant surgical fellows. Methods A lung transplantation virtual technical skills course was developed, and surgical fellows were provided with a bench model and surgical instruments. Using a virtual communication platform, teaching sessions were held twice weekly, and fellows performed an anastomosis on camera. Video recordings were reviewed and critiqued by attending staff. At the end of the 3-month course, participants were surveyed about their experience. Warm ischemic time was compared between the fellows' 5 most recent cases before and after the pandemic. Results Seven senior surgical fellows participated and provided feedback. The fellows had graduated medical school an average of 14 years before fellowship, and spent an average of 5 hours (range, 1.3-15 hours) of home practice. Five of the 7 participants (71%) reported improvement in their technical skills and increased confidence in performing lung transplantation. No significant difference in average warm ischemic time in procedures performed by fellows was identified (70.3 minutes prepandemic vs 68.3 minutes postpandemic; P = .68). Conclusions A program of virtual technical skills teaching, individual video coaching, and independent practice has provided a benefit in maintaining technical skills in lung transplant surgical fellows during the COVID-19 pandemic, when equivalent operative experience was unavailable. Lessons learned from this exceptional time can be used to create simulation curricula for senior trainees.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».