Using Virtual Reality for Perioperative Nursing Education in Complex Neurosurgical Surgeries: A Feasibility and Acceptance Study
Notice bibliographique
Résumé
Background Operating room (OR) nurses' training for surgical fields such as neurosurgery is often inconsistent and overly lengthy due to the lack of consistently scheduled procedures and the nature of procedures being for the most part emergencies. Virtual reality (VR) simulation has been explored for nurses training in various contexts with positive results. Objectives To develop a VR simulation that could replicate a pediatric neurosurgery craniotomy procedure reflecting a real OR scenario and the surgical procedural sequence of a craniotomy; and to assess OR nurses' confidence in assisting craniotomy procedures as scrub nurses before and after the VR simulation. Methods A pediatric craniotomy procedure was replicated using VR technology by a collaborative partnership between education, content, and technology experts within the Hospital for Sick Children, Toronto. Self-confidence among OR nurses to assist in craniotomy procedures was explored pre- and post-VR training sessions with a questionnaire ideated by the authors evaluating knowledge relevant to assisting craniotomy procedures with seven items. Results In total, 7 OR nurses participated in the study. The post-VR sessions questionnaires showed an increase of positive answers "extremely comfortable with the procedure" and "moderately comfortable with the procedure" compared to pre-VR sessions in all items except for "identify the hemostatic agents required during a bleed," for which no difference was noted. There were no issues with the equipment. Conclusion VR simulation session is an acceptable model to train OR nurses for the scrub nurse role in craniotomy procedures. VR simulation is a practical learning strategy for clinical situations that may occur inconsistently in real-time practice.
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 | 0,000 | 0,000 |
| 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 ».