Virtual reality simulation training in stroke thrombectomy centers with limited patient volume—Simulator performance and patient outcome
Notice bibliographique
Résumé
BackgroundVirtual reality simulation training may improve the technical skills of interventional radiologists when establishing endovascular thrombectomy at limited-volume stroke centers. The aim of this study was to investigate whether the technical thrombectomy performance of interventional radiologists improved after a defined virtual reality simulator training period. As part of the quality surveillance of clinical practice, we also assessed patient outcomes and thrombectomy quality indicators at the participating centers.MethodsInterventional radiologists and radiology residents from three thrombectomy-capable stroke centers participated in a five months thrombectomy skill-training curriculum on a virtual reality simulator. The simulator automatically registered procedure time, the number of predefined steps that were correctly executed, handling errors, contrast volume, fluoroscopy time, and radiation dose exposure. The design was a before-after study. Two simulated thrombectomy cases were used as pretest and posttest cases, while seven other cases were used for training. Utilizing the Norwegian Stroke Register, we investigated clinical results in thrombectomy during the study period.ResultsNineteen interventional radiologists and radiology residents participated in the study. The improvement between pretest and posttest cases was statistically significant for all outcome measures in both simulated cases, except for the contrast volume used in one case. Clinical patient outcomes in all three centers were well within the recommendations from multi-society consensus guidelines.ConclusionPerformance on the virtual reality simulator improved after training. Virtual reality simulation may improve the learning curve for interventional radiologists in limited-volume thrombectomy centers. No correlation alleged, the clinical data indicates that the centers studied performed thrombectomy in accordance with guideline-recommended standards.
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 | 0,011 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».