Development of a rhinoplasty step-specific (S2) simulator for competency assessment
Notice bibliographique
Résumé
La rhinoplastie est une procédure complexe connue pour nécessiter une planification minutieuse et une exécution précise afin d’obtenir des résultats optimaux. Cette complexité est principalement due à l’interaction entre les nombreuses manœuvres chirurgicales complexes afin de traiter à la fois la fonction nasale et l’esthétique. L’acquisition de telles compétences est également difficile, car les chirurgiens plasticiens qui enseignent aux résidents doivent concilier en fournissant aux stagiaires une expérience pratique permettant de maîtriser les techniques de rhinoplastie, tout en assurant l’exécution appropriée de ces manœuvres afin d’éviter des résultats non satisfaisants. Certains programmes de formation ont tenté d’améliorer la formation pratique en rhinoplastie et d’autres procédures esthétiques par les cliniques esthétiques résidentes. Un autre moyen par lequel un stagiaire peut être capable d’apprendre et de mettre en pratique ses compétences techniques est la simulation chirurgicale. Alors que les simulateurs haute et basse fidélité sont en cours de développement, nous pensons que, basé sur des concepts modernes en éducation chirurgicale, le développement et la concentration de tels simulateurs pourraient être mieux ciblés sur des compétences «des étape spécifiques» plutôt que sur la simulation complète d’une procédure de rhinoplastie. Un sondage en ligne sur le confort des résidents et la formation en rhinoplastie a été envoyé par courrier électronique aux programmes de formation en chirurgie plastique canadiens et américains. Parallèlement, les os du visage, les cartilages latéraux supérieurs et inférieurs du nez, et le septum d’un patient ont été segmentés à partir d’un scanner et rendus au format 3D. Celui-ci a été imprimé en 3D à l’aide de filament de PLA, un mélange de polyamide Rigur 450 et Tango plus pour le cartilage et « Dragon Skin » pour le peau humaine. Les auteurs principaux ont soumis les matériaux à des tests de validité 138 résidents ont répondu au sondage, dont 62 juniors (R1 à R3) et 76 seniors (R4 à R6). 72% des seniors (95% des R6) ont signalé une exposition adéquate à la rhinoplastie, contre 13% des juniors. 75% des seniors ont le plus souvent participé en tant qu’observateurs ou premiers assistants, 25% en tant que co-chirurgiens. 73,9% n’ont pas effectué une étape de rhinoplastie clé plus de 5 fois. Les résidents ont estimé que les trois étapes les plus difficiles de la rhinoplastie étaient : l’ostéotomie nasale (76,1%), la manipulation du septum caudal / ANS (65,2%) et les sutures de la pointe du nez (55,8%). 73,9% estimaient que la formation sur simulateur améliorerait considérablement leur confiance en faisant une rhinoplastie. Ceci a été utilisé comme modèle pour le développement d’un simulateur modulaire pour cibler les 5 étapes les plus difficiles. Le simulateur a permis une pratique délibérée de ces cinq zones d’acquisition de la rhinoplastie, avec un coût récurrent maximal de 75 $ CAD.Malgré une exposition suffisante aux rhinoplasties, les résidents étaient moins confiants en ce qui concerne les rhinoplasties que d’autres procédures esthétiques, probablement en raison de la forte proportion d’observations rhinoplastiques observées par opposition à l’acquisition pratique de manœuvres chirurgicales dans la salle d’opération. L’enquête a établi les manœuvres les plus difficiles pour les résidents et, à mesure que les programmes adoptent une formation axée sur les compétences, la mise au point de simulateurs de rhinoplastie ciblant des étapes spécifiques peut contribuer à améliorer les compétences acquises en rhinoplastie. Sur la base des résultats de l’enquête et de l’impression 3D, un simulateur de rhinoplastie basé sur les besoins d’apprentissage et à faible coût, a été mis au point. Ce concept peut faciliter l’intégration de la pratique délibérée fondée sur la simulation avec le déploiement de normes curriculaires basées sur les compétences pour la formation en chirurgie plastique
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».