Virtual Reality Training Improves Procedural Skills in Mannequin-Based Simulation in Medical Students: A Pilot Randomized Controlled Trial
Notice bibliographique
Résumé
Objectives The goal of this study was to evaluate whether immersive virtual reality (VR) training used in conjunction with interactive online learning improved procedural skills in medical students, using chest tube insertion as a model. Methods Medical students (n = 30) with limited or no experience with chest tube insertion were randomized into control and VR groups. All participants received access to a previously developed online module to learn the equipment and steps involved in performing chest tube insertion. The VR group received additional training using commercially available software. All participants were then asked to perform chest tube insertion on a standardized mannequin. Technical skills were assessed by surgical experts, blinded to the group allocation, using a modified Objective Structured Assessment of Technical Skill (OSATS) rating scale (11-items, each scored 1-5). Multiple-choice tests and a 5-point Likert-scale were used to assess theoretical knowledge and to rate confidence level before and after training. Data are presented as median and interquartile range. Results After training, all participants showed significant improvement in knowledge from baseline; rate of correct answers was 50% pre-training [40.0-66.7]; 80% post-training [73.0-93.3]; P < 0.0001). There was no statistically significant difference between the two groups in knowledge before and after training. The VR group spent <60 min in VR training and had better procedural performance (OSATS scores: controls: 39 [33-45]; VR: 46 [42.0-50]; P = 0.03) and higher confidence (controls: 3 [3-4]; VR: 4 [4-5]; P = 0.002). Conclusions Adding VR simulation to online learning improved technical skills and confidence in medical students learning chest tube insertion.
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 | 0,009 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 ».