Development and Initial Assessment of a Novel Customized Deep Laceration Simulator for Suturing Training
Notice bibliographique
Résumé
Suturing of different layers, such as deep lacerations, is a challenging clinical skill for residents. Currently, there is a lack of general suturing instructions and practice in undergraduate medicine curricula which would add to the education required during residency and could be impactful to patient safety. Therefore, in order to adequately prepare trainees for clinical practice, training in suturing needs to be made more robust and executable. One way to facilitate this is to provide easy access to equipment that can offer good educational value while allowing for adequate repetition of suturing deep lacerations outside of clinical settings, similar to how it has been done for superficial lacerations. Simulation-based medical education addresses this by training residents in healthcare skills in a safe and controlled environment. Our technical report aims to describe the development and initial evaluation of a deep laceration simulator designed to train residents in suturing. The simulator was made using additive manufacturing techniques such as three-dimensional printing and silicone. Feedback on the simulator was provided by Centre Hospitalier de l'Université de Montréal clinicians from various specialties and residents. The simulator was assessed mainly as being easy to use, durable, and having anatomically accurate characteristics. The main improvements suggested were to make the skin thinner, divide the epidermis and dermis, add a fascia, and create a looser and friable layer of fat. Overall, the respondents rated the simulator as a good educational tool with a few minor adjustments.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».