UroBOT: A national survey of Canadian urology residents and fellows on robot-assisted surgery
Notice bibliographique
Résumé
INTRODUCTION: Robot-assisted surgery (RAS) has a positive impact on the quality of care given to patients. Its increasing adoption in Canadian urology practice also influences the surgical training of residents and fellows. Currently, the lack of clear objectives makes RAS education challenging. The main objective of our study was to highlight how urology trainees perceive the importance of RAS and the standardization of its training. METHODS: In 2021, we conducted a survey of all the residents and fellows enrolled in a Canadian urology program. The questions assessed their opinion on the importance of RAS and on their robotic surgery training. RESULTS: The response rate was 29%. The majority of participants (67%) wished they would have a better exposure to RAS during their surgical training. Only 7% of respondents reported that their program had clear criteria to help them progress through the steps of RAS, and most trainees (81%) felt their residency program should provide them with a formal RAS training program. Seventy-six percent of respondents believed that RAS would become a core skill required by the Royal College in the future, although 32% feared it would hinder their ability to learn other important techniques, such as open surgery. CONCLUSIONS: Our study revealed that although most respondents are interested in RAS, their training lacks standardization. Moreover, the potential integration of RAS as a core skill of the Royal College faces some important challenges, mostly due to the perceived lack of time to learn a new surgical technique.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 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) | 0,003 | 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 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 ».