Utilization of a 3D Printed Simulation Training Model to Improve Microsurgical Training
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Simulation is integral to the development and maintenance of micro- surgical skills. Several simulation models have been described ranging from bench- top to live animal models. High fidelity models are often burdened by cost and ethical issues limiting widespread implementation. This study aims to determine the feasibility of a microsurgical training platform using the Konjac noodle model. Methods: A prospective cohort study was conducted at our institution. A progressive microsurgical training curriculum was developed. A bespoke three-dimensional printed training platform was produced to enable residents to record training and assessment tasks. Microsurgical skills were blindly assessed before and after completing the training program using the University of Western Ontario Microsurgical Skills Assessment instrument. Results: Plastic surgery residents at various stages of training were recruited (n = 10). A significant improvement in vessel preparation from a pre-training median of 3 (IQR 2 -4) versus a post-training of 4 (IQR 3 -5, P = 0.0035) and suturing with a pre-training median of 3 (IQR 2 -4) versus a post-training of 4 (IQR 3 -5, P = 0.0047) domains of the University of Western Ontario Microsurgical Skills Assessment score was demonstrated after completion of the training program. There was a significant improvement in the global rating score (3 ± 1 versus 5 ± 1, P = 0.0045). Participants felt more confident performing a microsurgical anastomosis following the training program. Conclusion: The use of the Konjac noodle model and video-based assessment using a three-dimensional printed model is an effective teaching tool that improves resident's microsurgical skills.
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.
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 | 0,001 | 0,004 |
| 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 découle