The Evaluation of Learning Curves in Novice Laparoscopists: Incorporating Direct Visualization into the Simulation Training Program
Notice bibliographique
Résumé
Technological developments have led to resurgent interest in stereoscopic visualization for laparoscopy. Evidence suggests that trainees achieve proficiency on the McGill Inanimate System for Training and Evaluation of Laparoscopic Skills (MISTELS) in less total training time when using stereo visualization. Data from trainees using the Fundamentals of Laparoscopic Surgery (FLS) curriculum to train the MISTELS tasks indicate that the peg transfer task requires the greatest training time to reach proficiency. This task challenges basic hand‐eye coordination that is critical to performing more complex tasks. As monoscopic visualization remains the standard of care, our goal remains to train proficiency under monoscopic visualization. However, we propose incorporating stereo‐direct visualization (SDV) using open FLS box trainers, into the curriculum to accelerate learning. Novice surgery residents will train with the peg transfer task. Half will train to proficiency (< 54 sec) under standard monoscopic video visualization. The SDV group will train to proficiency, then switch to traditional monoscopic video visualization and continue to train until proficiency is reached. We hypothesize that SDV training will facilitate the perceptual switch to reach proficiency in less total time. Results from this study may be employed to further guide the development of laparoscopic training curricula.
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 | 0,005 | 0,002 |
| 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 | 0,000 |
| 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 ».