Learning of Intracorporal Knot Tying in Minimally Invasive Surgery by Video or Expert Instruction
Notice bibliographique
Résumé
INTRODUCTION: Minimally invasive surgery skill laboratories are indispensable in training, especially for complex procedural skills such as intracorporal suturing and knot tying (ICKT). However, maintaining a laboratory is expensive, and specially trained teachers are in short supply. During the COVID-19 pandemic, in-person instruction has reduced to almost zero, while model learning via video instruction (VID) has become an integral part of medical education. The aim of this study was to compare the learning effectiveness and efficiency of ICKT by laparoscopically inexperienced medical students through video versus direct expert instruction. MATERIALS AND METHODS: = 30). A laparoscopic box trainer including laparoscope was used for ICKT. Objective Structured Assessment of Technical Skills (OSATS), knot quality, and total ICKT time were the parameters for the assessment in this study. Proficiency criteria were also defined for these parameters. RESULTS: Students in the EXP group performed significantly better in OSATS-procedure-specific checklist (PSC) and knot quality compared with students in the VID group, with no difference in task time. Of the students who reached the proficiency criteria for OSATS-PSC and knot quality, those in the EXP group required fewer attempts to do so than those in the VID group. Students in both groups improved significantly in all parameters over the first hour of evaluation. CONCLUSION: For the laparoscopically inexperienced, training in ICKT through expert instruction presents an advantage compared with video-based self-study in the form of faster understanding of the procedure and the associated consistent implementation of good knot quality. Both teaching methods significantly improved participants' ICKT skills.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».