Performance in the Fundamentals of Laparoscopic Surgery: Does it reflect global rating scales in the Objective Structured Assessment of Technical Skills in porcine laparoscopic surgery?
Notice bibliographique
Résumé
To correlate the utility of the Fundamentals of Laparoscopic Surgery (FLS) manual skills program with the Objective Structured Assessment of Technical Skills (OSATS) global rating scale in evaluating operative performance. The Asian Urological Surgery Training and Educational Group (AUSTEG) Laparoscopic Upper Tract Surgery Course (LUTSC) implemented and validated the FLS program for its usage in laparoscopic surgical training. Delegates’ basic laparoscopic skills were assessed using three different training models (peg transfer, precision cutting, and intra-corporeal suturing). They also performed live porcine laparoscopic surgery at the same workshop. Live surgery skills were assessed by blinded faculty using the OSATS rating scale. From March 2016 to March 2019, a total of 81 certified urologists participated in the course, with a median of 5 years’ experience post-residency. Although differences in task time did not reach statistical significance, those with more surgical experience were visibly faster at completing the peg transfer and intra-corporeal suturing FLS tasks. However, they took longer to complete the precision cutting task than participants with less experience. Overall OSATS scores correlated weakly with all three FLS tasks (peg transfer time: r = −0.331, r2 = 0.110; precision cutting time: r = −0.240, r2 = 0.058; suturing with intra-corporeal knot time: r = −0.451, r2 = 0.203). FLS task parameters did not correlate strongly with OSATS globing rating scale performance. Although the FLS task models demonstrated strong validity, it is important to assimilate the inconsistencies when benchmarking technical proficiency against real-life operative competence, as evaluated by FLS and OSATS respectively.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».