Integrating Virtual Reality into OSCE Training: A Novel Simulation Tool for Canadian Medical Education
Notice bibliographique
Résumé
As digital tools become integral to medical practice, physicians are challenged to develop their technological competencies to optimize patient care. Technology-focused educational tools, such as virtual reality (VR) simulations, can enhance medical training by improving clinical learning and increasing proficiency with digital systems. VR has been shown to be effective in anatomy education, but its application in clinical training remains underreported.This study introduces an interactive VR simulation prototype designed to train medical students for the Objective Structured Clinical Examination (OSCE), a core component of Canadian medical education. Developed using Unity Engine and tested on the Meta Quest 2, the prototype provides a virtual clinical experience with structured, AI-driven patient encounters and feedback to strengthen core clinical competencies.Participants in the initial evaluation of the VR simulation prototype identified several key strengths associated with its use in OSCE training. Specifically, users reported the simulation's effectiveness in enhancing patient interview skills across diverse demographic groups (e.g., pediatric and multicultural populations), presenting visible manifestations of disease (e.g., gait disturbances and dermatologic abnormalities), and facilitating the recognition of auscultatory signs (e.g., atypical speech patterns and cardiorespiratory findings) within a standardized and reproducible frameworkVR-based OSCE training strengthens clinical skills and increases familiarity with digital healthcare environments. By providing standardized, immersive experiences, it enhances medical education and prepares future physicians for both traditional and technology-enhanced patient care.Clinical Relevance-Effective clinical communication and diagnostic reasoning are vital for patient outcomes. This VR tool offers a safe, standardized training environment, equipping future physicians with essential skills for real-world patient care.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».