Is there a benefit for anesthesiologists of adding difficult airway scenarios for learning fiberoptic intubation skills using virtual reality training? A randomized controlled study
Notice bibliographique
Résumé
Fiberoptic intubation for a difficult airway requires significant experience. Traditionally only normal airways were available for high fidelity bronchoscopy simulators. It is not clear if training on difficult airways offers an advantage over training on normal airways. This study investigates the added value of difficult airway scenarios during virtual reality fiberoptic intubation training. A prospective multicentric randomized study was conducted 2019 to 2020, among 86 inexperienced anesthesia residents, fellows and staff. Two groups were compared: Group N (control, n = 43) first trained on a normal airway and Group D (n = 43) first trained on a normal, followed by three difficult airways. All were then tested by comparing their ORSIM® scores on 5 scenarios (1 normal and 4 difficult airways). The final evaluation ORSIM® score for the normal airway testing scenario was significantly higher for group N than group D: median score 76% (IQR 56.5-90) versus 58% (IQR 51.5-69, p = 0.0039), but there was no difference in ORSIM® scores for the difficult intubation testing scenarios. A single exposure to each of 3 different difficult airway scenarios did not lead to better fiberoptic intubation skills on previously unseen difficult airways, when compared to multiple exposures to a normal airway scenario. This finding may be due to the learning curve of approximately 5-10 exposures to a specific airway scenario required to reach proficiency.
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 | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».