EP117 Virtual or Augmented Reality in Hip Arthroscopy Training Demonstrates Adequate Face, Content, and Construct Validity: A Systematic Review with Expert Commentary
Notice bibliographique
Résumé
Abstract Purpose To summarize literature outlining the efficacy and validity of virtual reality (VR) and augmented reality (AR) simulation in hip arthroscopy training. Methods Three databases were searched on February 9th, 2025 for studies investigating the validity of VR/AR simulation for hip arthroscopy training. Data on participant details, simulation specifics, and validity (e.g. face, construct, and content) were included. Descriptive statistics were used to report results. Results Nine studies (one level I, one level II, seven level IV) comprising 218 participants were included, 37 (16.9%) being considered as “experts”. The majority of studies (7/9; 77.8%) were analyses of one session, with two studies comparing progress during sessions over time. Five studies investigated face validity, where the majority of participants (>70%) in each study found that the simulators were realistic (>7/10 or >6/7 via Likert scale) in all elements apart from tactile feedback. Eight studies evaluated construct validity. Four studies compared the safety performance of experts and non-experts, three (75%) finding statistically lower amounts of iatrogenic tissue damage in the expert group (p<=0.002). Three of four (75%) studies found that experts had lower completion times in either a diagnostic or surgical module (p<=0.03) than non-experts. One study reported lower iatrogenic damage via soft-tissue or bone collisions (p<0.0001) and completion times (p<0.001) in the seventh session of VR simulation, relative to the initial first three sessions in junior learners. Conclusion VR/AR simulation training for hip arthroscopy demonstrates adequate face, content, and construct validity. Generally, VR/AR simulations were rated realistic by users apart from tactile feel. Participants, particularly junior learners improved in minimizing iatrogenic tissue damage and decreasing completion times over multiple sessions. Experts generally outperformed non-experts in the majority of performance metrics, suggesting high construct validity.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».