Metric based virtual simulation training for endovascular thrombectomy improves interventional neuroradiologists’ simulator performance
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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) | 0,002 | 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 découle