Effect of Simulation‐Based Cerebral Angiography Training on Navigational Error in Novices
Notice bibliographique
Résumé
Endovascular surgical procedures require visual‐spatial coordination in workspaces with restricted motions and temporally limited imaging. The development of the skills needed for these procedures can be facilitated by 3D simulator‐based training. Simulation‐based medical education has recently started focusing on personalized training in reducing errors, enhancing trans‐situational competence and promoting professional transparency. Cerebral angiography (CA) has lagged behind in this training approach due to the lack of validated, realistic training models, relying strictly on clinical case exposure frequency as a means of assessing proficiency. The ANGIO Mentor visual‐haptic simulator has been regarded as an effective training tool, increasing performance in diagnostic CA, however, this simulator has not been tested thoroughly in error reduction in CA. In our study, residents and graduate students were given practice diagnostic angiography and were subsequently tested on a right middle cerebral artery aneurysm case, repeating over 8 sessions. Participants were also administered a mental rotations test (MRT) and grouped into MRT groups to identify performance differences. We have identified a significant self‐guided reduction in spatial errors by the participants over 8 sessions. Further investigation revealed a negative change in error frequency for major trajectory deviations. This allowed us to categorize vessels that, although less frequent in erroneous access, were creating the most difficulty for the trainee and most potential harm to patients. Assessing MRTs, we found that high MRT individuals performed much better than low MRT individuals at the start of the study, however, both groups plateaued at a similar performance level by the 8th session. These results are significant in the adoption of personalized medical training in this field and identify vascular areas of difficulty that can be addressed by the curriculum. Although it is well understood that simulation training under expert supervision is most effective, we have shown that self‐guided training can build appropriate technical and spatial ability in procedural skill development. Support or Funding Information NSERC
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».