Current Clinical and Educational Uses of Immersive Reality in Anesthesia: Narrative Review
Notice bibliographique
Résumé
BACKGROUND: The concept of immersive reality (IR), an umbrella term that encompasses virtual reality, augmented reality, and mixed reality, has been established within the health care realm as a potentially valuable tool with numerous applications in both medical education and patient care. OBJECTIVE: This review aimed to introduce anesthesiologists to the emerging and rapidly evolving literature on IR, its use in anesthesia education, and its transferability into the clinical context. METHODS: A review of the relevant literature was conducted using the PubMed database from inception to July 5, 2023. Additional references were identified from the reference lists of selected papers. RESULTS: A total of 51 papers related to the use of IR in anesthesia medical education (including both technical and nontechnical skills) and 63 papers related to applications in clinical practice (eg, preprocedure planning, patient education, and pain management) were included. We present evidence supporting the use of IR in the training and clinical practice of modern anesthesiologists. CONCLUSIONS: IR is useful for a variety of applications in anesthesia medical education and has potential advantages over existing simulation approaches. Similarly, IR has demonstrated potential improvements in patient care across several clinical contexts relevant to practicing anesthesiologists. However, many applications remain in the early stages of development, and robust trials are urgently needed to confirm clinical or educational effectiveness and to assess mechanisms, educational validity, and cost-effectiveness.
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 | 0,017 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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 ».