Use of 3D Printing Technology to Create a Canine Simulator for Cerebrospinal Fluid Sampling at the Lumbar Subarachnoid Space
Notice bibliographique
Résumé
Cerebrospinal fluid (CSF) sampling at the lumbar subarachnoid space (LSS) is technically challenging to learn. Currently, training relies on cadaver availability or performance in a clinical scenario. This study aims to develop and validate a low-cost, high-fidelity simulator to train in this technique. Using three-dimensional printing technology, a model of a healthy adult dog’s lumbosacral vertebral column was produced. The model was augmented with synthetic materials and a fluidic system to replicate all procedural steps and permit successful CSF collection. The simulator was validated by four experts, who rated it highly across multiple criteria. Final-year veterinary students were recruited to take part in practical sessions using either the simulator ( n = 16) or a cadaver ( n = 16). Performance was recorded for each student, and feedback was obtained using an anonymous online survey. Student performance was similar between groups ( p = .2), with 87.5% and 68.75% of students in the simulator and cadaver group, respectively, successfully placing the needle into the LSS. All successful students in the simulator group were able to obtain a CSF sample, compared with none in the cadaver group. No difference in the number of attempts was detected between groups ( p > .99), with most students taking more than three attempts. User experience was similar between groups, with 93.8% of students in each group rating the session as a positive learning experience. In summary, we demonstrate the validity of a novel, low-cost, and anatomically precise simulator that can be used for teaching CSF sampling at the LSS.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».