Enhancing Oral Surgery Simulation: A Systematic Review of 3D‐Printed Patient‐Specific Models Compared to Traditional Animal Jaw Models for Presurgical Training
Notice bibliographique
Résumé
OBJECTIVES: 3D-printed simulation models are emerging as novel tools in various medical education fields. This study aims to investigate the evidence on the efficacy of 3D-printed jaw models compared to traditional animal models for oral surgical skill training. METHODS: A comprehensive literature search was conducted up to June 2024 in Ovid Medline, Embase, Scopus, ProQuest, Epistemonikos, and ERIC databases. Following the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) guidelines, relevant studies were identified. Data were extracted independently by two reviewers. The Medical Education Research Study Quality Instrument tool (MERSQI) was used for methodological quality assessment. RESULTS: A total of 1074 potentially relevant publications were initially identified. only three articles met the stringent inclusion criteria. These studies provided unique insights into the application, effectiveness, limitations, and potential of 3D-printed versus animal models in dental oral surgery education, however, their methodological design received only a moderate score based on the MERSQI evaluation. In all three studies, the participants preferred 3D-printed models over traditional cadaveric models in terms of anatomical accuracy, educational value, and surgical simulation. However, limitations were identified, particularly in replicating realistic soft tissue sensations. CONCLUSIONS: 3D-printed models can provide a realistic and novel alternative tool to the animal jaw, enhancing the learning experience in oral surgical skill training of dental students. Despite the limitations of the available studies, integrating 3D printing technology into dental and oral surgery education shows promise for improving educational quality. Future well-designed studies are needed to strengthen the existing evidence on this topic.
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 | 0,016 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,012 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».