Development and Evaluation of a High-Fidelity Rhinoplasty Simulator
Notice bibliographique
Résumé
SUMMARY: Rhinoplasty is a challenging procedure with a steep learning curve. Surgical simulators provide a safe platform to gain hands-on experience without compromising patient outcomes. Therefore, rhinoplasty is an ideal procedure to benefit from an effective surgical simulator. A high-fidelity rhinoplasty simulator was developed using three-dimensional computer modeling, three-dimensional printing, and polymer techniques. The simulator was tested by six surgeons with experience in rhinoplasty to assess realism, anatomic accuracy, and value as a training tool. The surgeons performed common rhinoplasty techniques and were provided a Likert-type questionnaire assessing the anatomic features of the simulator. A variety of surgical techniques were performed successfully using the simulator, including open and closed approaches. Bony techniques performed included endonasal osteotomies and rasping. Submucous resection with harvest of septal cartilage, cephalic trim, and tip suturing, as well as grafting techniques including alar rim, columellar strut, spreader, and shield grafts, were performed successfully. Overall, there was agreement on the simulator's anatomic accuracy of bony and soft-tissue features. There was strong agreement on the simulator's overall realism and value as a training tool. The simulator provides a high-fidelity, comprehensive training platform to learn rhinoplasty techniques to augment real operating experience without compromising patient outcomes.
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 | 0,001 | 0,003 |
| 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 ».