Conducting an Endoscopic Sinus Surgery Dissection Course via Telesimulation: An Initial Experience
Notice bibliographique
Résumé
Objective Medical education has been severely disrupted by the COVID‐19 pandemic, with many in‐person educational activities transitioned to distance learning. To overcome this challenge, we utilized telesimulation to conduct an endoscopic sinus surgery (ESS) dissection course. Our objectives were to evaluate the effectiveness and acceptability of telesimulation as an alternative to in‐person dissection courses for resident training. Study Design Cross‐sectional study. Setting Academic medical centers. Methods The course, consisting of lectures and hands‐on dissection, was conducted entirely over the Zoom platform. The participants were allocated outpatient clinic rooms at 2 hospitals, while the instructors supervised remotely. We utilized the camera systems in the clinics and 3‐dimensional–printed sinus models for the dissection. Laptops with cameras were used to capture the endoscopic image and the dissector. We evaluated the effectiveness of telesimulation, the surgical skills of the participants, and the course by way of pre‐ and posttest and a questionnaire. Results A total of 8 participants and 7 instructors participated in the study. Telesimulation was found to be effective in helping participants gain knowledge and skills in ESS. All participants improved on their pretest scores (31.5% vs 73.4%, P =. 003) and felt more comfortable with ESS postcourse (1.9 vs 3.2, P =. 008). Participants and instructors opined that telesimulation is an acceptable alternative to in‐person dissection courses. Conclusion Telesimulation is an effective, acceptable, and viable alternative to in‐person dissection courses. It also has the advantage of overcoming temporal and geographic constraints to surgical training in residency.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».