Examining the learning curves in robotic cardiac surgery wet lab simulation training
Notice bibliographique
Résumé
BACKGROUND: Simulation-based training has gained distinction in cardiothoracic surgery as robotic-assisted cardiac procedures evolve. Despite the increasing use of wet lab simulators, the effectiveness of these training methods and skill acquisition rates remain poorly understood. OBJECTIVES: This study aimed to compare learning curves and assess the robotic cardiac surgical skill acquisition rate for cardiac and noncardiac surgeons who had no robotic experience in a wet lab simulation setting. METHODS: In this prospective cohort study, participants practiced 3 robotic tasks in a porcine model: left atriotomy closure, internal thoracic artery harvesting and mitral annular suturing. Participants were novice robotic cardiac and noncardiac surgeons alongside experienced robotic cardiac surgeons who established performance benchmarks. Performance was evaluated using the time-based score and modified global evaluative assessment of robotic skills (mGEARS). RESULTS: The participants were 15 novice surgeons (7 cardiac; 8 noncardiac) and 4 experienced robotic surgeons. Most novices reached mastery in 52 (±22) min for atrial closure, 32 (±18) for internal thoracic artery harvesting and 34 (±12) for mitral stitches, with no significant differences between the cardiac and noncardiac surgeons. However, for mGEARS, noncardiac novices faced more challenges in internal thoracic artery harvesting. The Thurstone learning curve model indicated no significant difference in the learning rates between the groups. CONCLUSIONS: Wet lab simulation facilitates the rapid acquisition of robotic cardiac surgical skills to expert levels, irrespective of surgeons' experience in open cardiac surgery. These findings support the use of wet lab simulators for standardized, competency-based training in robotic cardiac surgery.
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 | 0,005 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».