Use of Innovative Technology in Surgical Training in Resource-Limited Settings: A Scoping Review
Notice bibliographique
Résumé
BACKGROUND: There has been a rapid growth in interest in global surgery. This increased commitment to improving global surgical care, however, has not translated into an equal exchange of surgical information between high-income countries (HICs) and low-income countries (LMICs). In recent years, a greater emphasis has been placed on training local medical personnel in order to increase surgical capacity while simultaneously decreasing reliance on expatriate visitors. Virtual curricular models, simulators, and immersive technologies have been developed and implemented in order to maximize training opportunities in low-resource settings. This study aims to assess and summarize innovative technologies used for surgical training in low-resource settings. METHODS: We conducted a scoping review of the literature from 2000 to 2021. We included both academic and grey literature on surgical education technologies. Searches were performed on Medline and Embase as well as on Google, iOS, and Android app stores. RESULTS: Four main categories of surgical training platforms were identified: web-based platforms, app-based platforms, virtual and augmented reality, and simulation. The platforms were analyzed based on their content, effectiveness, cost, accessibility, and barriers to use. CONCLUSIONS: Virtual learning platforms show potential in surgical training as they are easily accessible, not limited by geography, continuously updated, and evaluated for effectiveness. In order to provide access to educational resources for surgical trainees all around the world, particularly in low-resource settings, increased effort and resources should be dedicated to developing free, open-access surgical training programs . Doing so will promote sustainable and equitable development in global surgical care.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,003 | 0,007 |
| 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 | 0,001 | 0,002 |
| 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 ».