Does training on robotic virtual reality simulators improve the post-training robotic surgical skills of surgeons? A systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: The effectiveness of virtual reality (VR) simulation training for improving robotic surgical skills is not firmly established. This systematic review and meta-analysis aimed to evaluate the impact of VR simulator training on surgeons' robotic surgical performance in the operating room (OR). AIM: To synthesize evidence regarding the association between VR-based robotic surgery training and subsequent technical performance inside the OR. DATA SOURCES: A comprehensive literature search was conducted in PubMed, Scopus, Embase, and CINAHL databases, adhering to PRISMA 2020 guidelines. ELIGIBILITY CRITERIA AND STUDY SELECTION: Studies evaluating VR simulator training for robotic surgeons with subsequent performance assessment in the OR were included. Risk of bias assessment was performed using the Medical Education Research Study Quality Instrument and the modified Newcastle-Ottawa Scale for Education (NOS-E), along with funding source appraisal. DATA SYNTHESIS: A total of 294 records were screened, resulting in 13 studies (281 participants) included in the systematic review, and 4 studies (72 participants) suitable for meta-analysis. Metaanalysis was conducted using a random-effects model to pool correlation coefficients between preand post-training performance. RESULTS: Of the included studies, nine reported positive evidence, three found no evidence, and one found negative evidence regarding VR training's role. The meta-analysis of before-after studies revealed a significant positive correlation ( r = 0.717, P < 0.05) between simulation performance and intraoperative outcomes. LIMITATIONS: The small number of studies included in the meta-analysis and methodological heterogeneity may limit generalisability of results. CONCLUSIONS: VR simulator training is associated with improved robotic surgical performance in the OR. Incorporation of VR simulation into robotic surgical curricula is likely beneficial for skill acquisition and operative readiness.
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 | 0,023 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,021 | 0,036 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».