MétaCan
Menu
Retour à la cohorte
Enregistrement W4376140206 · doi:10.1093/bjs/znad101.022

O022 Real-time artificial intelligence instructor vs expert instruction in teaching of expert level tumour resection skills – a randomized controlled trial

2023· article· en· W4376140206 sur OpenAlexaff
Recai Yilmaz, Mohamad Bakhaidar, Ahmad Alsayegh, Rolando F. Del Maestro

Notice bibliographique

RevueBritish journal of surgery · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueArtificial Intelligence in Healthcare and Education
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésCLIPSTask (project management)MedicineBaseline (sea)Randomized controlled trialBenchmark (surveying)Adaptation (eye)Medical educationMedical physicsArtificial intelligenceComputer scienceSurgeryPsychology

Résumé

récupéré en direct d'OpenAlex

Abstract Introduction Competency-based approach in surgical training still lacks objective quantifiable methodologies to assess surgical technical skills and train residents, a limitation that can be addressed with the adaptation of artificial intelligence (AI). In this randomized controlled, the efficacy of learning by a real-time intelligent instruction system was compared to learning with in-person human instructor-mediated training. Methods The study was ethics approved. Ninety-eight medical students performed five virtually simulated brain tumour resections, randomly allocated into three feedback groups: (1) no-real-time feedback, (2) real-time intelligent instruction, and (3) in-person human instruction. The first task was considered as baseline performance, done with no feedback. Group-1 received expert benchmark feedback only after each procedure. Group-2 was instructed in real-time by the AI system. After each task, the students were shown their error-video clips generated by this system alongside the expert-level demonstrations relating to each error. Group-3 was instructed by human instructors during the tasks. After each task, instructors summarized the areas of improvement and demonstrated how to expertly perform the tumour resections. Participant data in all tasks were scored by the AI system to assess learning. Results Students in Group-2 and Group-3 significantly improved their performance score by the third and second task, respectively (p<0.01, p=0.01), compared to the baseline performance. Group-2 achieved significantly higher scores than Group-3 in the final/fifth task (p<0.01). Conclusion AI-powered systems may increase efficiency in learning by providing objective, and action-oriented real-time feedback. Such systems may aid the shift towards competency-based surgical curricula.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,013
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,330
Score d'incertitude au seuil0,995

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,013
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,138
Tête enseignante GPT0,393
Écart entre enseignants0,255 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeEssai randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBritish journal of surgeryMême sujetArtificial Intelligence in Healthcare and EducationTravaux en français237 207