The Development and Validation of CranioFix: An Augmented-Reality Biomodel for Craniomaxillofacial Education
Notice bibliographique
Résumé
OBJECTIVE: To describe the development, implementation, and validation of CranioFix, an augmented-reality (AR)-enhanced educational toolkit for the training of craniomaxillofacial trauma management, specifically orbit-zygomatic complex (OZC) fractures. BACKGROUND: Surgical training in craniomaxillofacial trauma presents significant challenges due to the complexity of the anatomy, limited exposure to trauma cases, and the need for hands-on technical skill acquisition. Augmented-reality simulation technologies offer a promising solution to these limitations. METHODS: CranioFix was developed as a hybrid AR and physical simulation model consisting of a 3D-printed skull with realistic tissue overlays, integrated surgical instruments, and a smartphone-based AR application. The app provides guided surgical instruction, anatomic overlays, and self-assessment tools. A validation study involving 15 surgeons and surgical trainees was conducted in a war-zone mission setting. RESULTS: Participants reported significant improvement in confidence levels for OZC trauma management (mean precourse 3.2/10 versus postcourse 6.3/10). The educational content received high ratings for usefulness (9.1/10), interactivity (8.3/10), and overall design (8.2/10). All participants endorsed CranioFix as a valuable training tool and recommended its expansion to other craniofacial procedures. CONCLUSION: CranioFix is an effective, portable, and scalable AR-based simulation platform that enhances surgical training in craniomaxillofacial trauma. It is particularly valuable in resource-constrained or disrupted settings and has the potential for wide application in global surgical education.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».