Metric based virtual simulation training for endovascular thrombectomy improves interventional neuroradiologists’ simulator performance
Notice bibliographique
Résumé
OBJECTIVE: Metric based virtual reality simulation training may enhance the capability of interventional neuroradiologists (INR) to perform endovascular thrombectomy. As pilot for a national simulation study we examined the feasibility and utility of simulated endovascular thrombectomy procedures on a virtual reality (VR) simulator. METHODS: Six INR and four residents participated in the thrombectomy skill training on a VR simulator (Mentice VIST 5G). Two different case-scenarios were defined as benchmark-cases, performed before and after VR simulator training. INR performing endovascular thrombectomy clinically were also asked to fill out a questionnaire analyzing their degree of expectation and general attitude towards VR simulator training. RESULTS: All participants improved in mean total procedure time for both benchmark-cases. Experts showed significant improvements in handling errors (case 2), a reduction in contrast volume used (case 1 and 2), and fluoroscopy time (case 1 and 2). Novices showed a significant improvement in steps finished (case 2), a reduction in fluoroscopy time (case 1), and radiation used (case 1). Both, before and after having performed simulation training the participating INR had a positive attitude towards VR simulation training. CONCLUSION: VR simulation training enhances the capability of INR to perform endovascular thrombectomy on the VR simulator. INR have generally a positive attitude towards VR simulation training. Whether the VR simulation training translates to enhanced clinical performance will be evaluated in the ongoing Norwegian national simulation study.
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 | 0,001 | 0,005 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».