Bibliographic record
Abstract
Comme stagiaire debutant en chirurgie au Programme de residence en chirurgie generale de l'Universite de l'Alberta, j'ai constate qu'un de mes mentors montrait une patience excessive en m'apprenant, etape par etape, les elements fondamentaux d'une technique chirurgicale. Un jour que je terminais une anastomose intestinale et recevais des commentaires persistants et patients a chaque etape tout en etant surveille par l'equipe operatoire (et conscient de l'heure), j'ai realise que mon mentor etait aussi determine que moi a ce que je reussisse lorsqu'il s'est exclame «Ce resident doit apprendre!». Cette facon consacree de decomposer une intervention chirurgicale en formulant des commentaires a la minute a ete etudiee par Backstein et ses collaborateurs a l'Hopital Mount Sinai de Toronto et au Centre des techniques chirurgicales de l'Universite de Toronto dans ce numero du Journal canadien de chirurgie (page 195). Ces chercheurs ont evalue l'efficacite des commentaires enregistres sur video au cours de trois exercices consecutifs portant sur un modele d'anastomose vasculaire. L'analyse ne revele aucune difference importante au niveau du resultat des listes de controle technique et de l'evaluation globale des residents qui ont recu des commentaires videos repetes comparativement a ceux d'un groupe temoin qui a recu des commentaires de chirurgiens experts seulement. Cette etude presente des messages extremement precieux. La valeur des commentaires verbaux personnalises d'un chirurgien expert demeure un modele exceptionnel d'enseignement des techniques chirurgicales. Il s'agit la d'une raison importante pour nous de reconnaItre l'importance de donner aux chirurgiens le temps d'enseigner en salle d'operation, surtout au moment ou l'inscription aux programmes de formation augmente afin de repondre aux besoins futurs en soins chirurgicaux au Canada. Par ailleurs, meme si les commentaires videos et l'analyse des experts n'ont pas semble produire d'avantage supplementaire important, il ne faut pas rejeter cette methode comme moyen d'appuyer un enseignement efficace. Le cout et la disponibilite du temps d'enseignement posent des defis de plus en plus lourds pour l'experience en salle d'operation et les heures d'enseignement. Une seance de formation video conjuguee a des commentaires precis pourrait surement aider a relever ces defis. Comme dans le cas de toute technologie, le defi pose par la video consiste a determiner des modeles rigoureux comportant des investigations supplementaires. Les formateurs en chirurgie ont de plus en plus acces a une foule de nouveaux systemes en developpement. Ces systemes comportent des parametres qui permettent de suivre les erreurs liees au temps, la trajectoire des instruments, la longueur des voies utilisees, les rates lies aux instruments, les dommages causes aux tissus, la tension imposee aux tissus, l'emplacement des pinces et meme la perte de sang. Des donnees nouvelles montrent que les experts et les novices different lorsque l'on suit ces parametres avec precision. La tâche consiste a integrer ces parametres a une analyse video comme on l'a fait dans le cadre de l'etude en cours. Apres tout, on utilise couramment la technique d'un chirurgien enregistree en video pour choisir les participants a des essais cliniques multicentriques afin de reduire au minimum «l'effet de l'habilete». Le facteur peut concorder avec l'affirmation des chercheurs selon lesquels les commentaires sur video sont meilleurs comme aide a la formation avancee. Un defi important que doivent relever les formateurs en chirurgie consiste a creer des centres modernes de formation qui reunissent l'expertise des enseignants et des chercheurs dans la mise au point de techniques chirurgicales. Le Centre des techniques chirurgicales de Toronto en est un exemple de premier plan. A la suite d'initiatives recentes, l'American College of Surgeons a determine qu'il fallait creer un reseau de centres d'excellence en formation dans une vingtaine d'etablissements en Amerique du Nord. Ces centres ne remplaceront pas la methode normalisee que constituent les programmes de formation en residence, mais ils completeront et etendront la capacite de formation innovatrice en chirurgie. L'acceptation constitue la premiere etape de ce processus qui regroupera des etudes de validation afin de determiner des modeles comme ceux qu'ont utilises Backstein et ses collaborateurs. La deuxieme etape consiste a incorporer les modeles dans les programmes d'etudes. Une analyse objective des techniques suivra. Pour definir la competence, il faudra peut-etre un systeme informatise qui suit les parametres. La derniere etape consiste a evaluer la maItrise technique. Cette evaluation se fera par des experts qui peuvent definir l'evolution des residents vers un niveau avance de formation. En resume, la prestation efficace d'une formation specialisee en chirurgie a de nombreux defis a relever. L'etude realisee par Backstein et ses collaborateurs porte sur des aspects importants de l'evaluation des techniques chirurgicales a la fois par des examinateurs experts et au moyen d'un processus a base de technologie. Les deux volets sont essentiels, mais il y a beaucoup de travail a faire pour elaborer et ameliorer les evaluations. Nous devons tous faire preuve de la meme determination pour que nos residents apprennent et acquierent les techniques chirurgicales necessaires. Garth L. Warnock, MD Co-redacteur
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.058 | 0.020 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".