Generation of Cross‐Specialty Consensus Statements on Soft Tissue Management via a Modified Delphi Method
Notice bibliographique
Résumé
BACKGROUND: Soft tissue management (STM) training programs for surgeons are largely tradition based, and substantial differences exist among different surgical specialties. The lack of comprehensive and systematic clinical evidence on how surgical techniques and implants affect soft tissue healing makes it difficult to develop evidence-based curricula. As a curriculum development group (CDG), we set out to find common grounds in the form of a set of consensus statements to serve as the basis for surgical soft tissue education. METHODS: Following a backward planning process and Kern's six-step approach, the group selected 13 topics to build a cross-specialty STM curriculum. A set of statements based on the curriculum topics were generated by the CDG through discussions and a literature review of three topics. A modified Delphi process including one round of pilot voting through a face-to-face CDG meeting and two rounds of web-based survey involving 22 panelists were utilized for the generation of consensus statements. RESULTS: Seventy-one statements were evaluated, and 56 statements reached the 80% consensus for "can be taught as is." CONCLUSIONS: Using a modified Delphi method, a set of cross-specialty consensus statements on soft tissue management were generated. These consensus statements can be used as a foundation for multi-specialty surgical education. Similar methods that combine expert experience and clinical evidence can be used to develop specialty-specific consensus on soft tissue handling.
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 | 0,017 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».