Evaluation and usability study of low-cost laparoscopic box trainer “Lap-Pack”: a 2-stage multicenter cohort study
Notice bibliographique
Résumé
Introduction: Laparoscopic training is restricted in low resource settings due to limited access to specialist training equipment and financial constraints. This study aimed to evaluate simulation skills and usability of an original low-cost laparoscopic trainer, the “Lap-Pack,” developed at the University of Leeds, UK. Methods: Stage I evaluation was conducted in Kolkata (India) between March, 12 and 14, 2019. Laparoscopic simulation training was based on the 5 domains of fundamentals of laparoscopic surgery (FLS), which assessed skill acquisition across 7 rural surgeons from North-East India. The McGill Inanimate System for Training and Evaluation of Laparoscopic Skills (MISTELS) criteria was used to statistically analyze trainee performance between pretraining and posttraining sessions. Also, Lap-Pack was qualitatively compared with a commercial box trainer, Inovus Pyxus HD (IPHD). Stage II involved a multi-center usability study in 2 centers of India and the United Kingdom (2019). Seventy-eight participants performed 2 FLS tasks using Lap-Pack and provided scores on a 25-point questionnaire, including a preestablished Face-Validity Criteria and 4 evaluation categories—Usability, Camera, View, and, Material. Results: In stage I, the total posttraining MISTELS score for Lap-Pack was higher, that is 773.37 (SD: 183.67) than pretraining score, that is 351.2 (SD: 471.5). The posttraining scores showed laparoscopic skill acquisition with statistically significant ( P <0.05) difference for precision cutting, intracorporeal and extracorporeal knot. In stage II, Lap-Pack scored highly in Face-Validity with a combined mean score of 4.81 [95% confidence interval (CI): 4.52–5.09, P <0.05] out of a possible 6. It scored highest (scale: 1=low to 7=high) in Usability 6.14 (95% CI: 6.05–6.22, P <0.05) and Camera 6.14 (95% CI: 6.01–6.27, P <0.05). The “Lightweight” (6.46, 95% CI: 6.32–6.60, P <0.05) and “Portability” (6.35, 95% CI: 6.18–6.51, P <0.05) features of Lap-Pack were appreciated. Conclusion: The Lap-Pack is a suitable low fidelity simulator for laparoscopic training in a low-resource setting.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 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 ».