Randomized Controlled Trial: Acquisition of Basic Microsurgical Skills Through Smartphone Training Model
Notice bibliographique
Résumé
Background: Microsurgery is essential in various surgical specialties, but learning these skills is challenging due to work hour limitations, patient safety concerns, documentation time, and ethical objections to practicing on live animals. This randomized controlled trial compares 2 microsurgical training models: the smartphone model and the microscope model. Methods: Thirty students without prior microsurgery experience were randomized into 3 groups: control (CG), smartphone (SG), and microscope (MG). Participants performed microsurgical skill tests and a chicken femoral artery anastomosis before and after 10 hours of standardized training according to their assigned models. The CG performed the test twice without training. Performance was assessed by time to complete the anastomosis, University of Western Ontario Microsurgery Skills Assessment scale, anastomosis patency, and time to complete the round-the-clock test. Results: No significant differences were observed among groups at baseline. Significant improvement in anastomosis time was achieved in the MG (27.4 minutes, P = 0.005) and SG (27.0 minutes, P = 0.005), but not in the CG (13.1 minutes, P = 0.161). On the University of Western Ontario scale, the MG improved by 6.0 points ( P = 0.002), the SG by 5.1 points ( P = 0.006), and the CG by 2.4 points ( P = 0.009). Patency rate significantly improved in the MG and SG (P = 0.002) but not the CG ( P = 0.264). Round-the-clock time improved in all groups ( P < 0.001). Conclusions: Basic microsurgical skills can be effectively learned using the smartphone training model, with performance improvements comparable to the microscope model. Its main limitation is the lack of stereoscopy.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».