428 Artificial Intelligence Training Versus In-person Expert Training in Teaching Simulated Tumor Resection Skills - A Cross-Over Randomized Controlled Trial
Notice bibliographique
Résumé
INTRODUCTION: Neurosurgical simulations equipped with artificial intelligence systems provide an objective quantitative assessment of surgical technical skills and tailored intelligent feedback. These systems allow for repeated practice of complex skills such as subpial brain tumor resection. However, more work is needed to assess the utility of intelligent systems in teaching tumor resection skills, compared to traditional human instruction. METHODS: Twenty-five trainees who are currently enrolled in four Canadian medical schools participated in two training sessions, during which they completed a simulated subpial tumor resection five times. Participants were randomly assigned to two feedback groups: (1) real-time intelligent instruction, and (2) in-person human instruction. They were then assigned to the other feedback group in the second (cross-over) session. A composite-score was given by the intelligent system to assess technical skills during each task. RESULTS: Trainees who received real-time intelligent instruction significantly improved their composite-score in the first and second training sessions (p = .017, p = .005, respectively). Trainees who received in-person human instruction in the first training session had no statistically significant changes in their composite-score from the first to the last task repetition (p = .119). The composite-score decreased significantly in the second training session with in-person human instruction (p = .004). CONCLUSIONS: Real-time intelligent instruction provides an effective way of teaching simulated brain tumor resection skills. Artificial intelligence systems may be a useful addition to current surgical training curricula, providing objective, and tailored assessment and teaching of surgical technical skills in risk-free realistically simulated patient cases. Educators can benefit from these systems to guide their supervision, while trainees can use them for self-guided skill acquisition. Further research may assess the generalizability of these findings to other surgical procedures.
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 | 0,005 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».