Bibliographic record
Abstract
Objectif : La méthodologie d’évaluation et de formation des compétences chirurgicales évolue pour faire face à l’émergence de formation par compétence. Les algorithmes d’apprentissage automatique ont été utilisés afin d’évaluer l’expertise chirurgicale lors de performances chirurgicales en réalité virtuelle. Certaines de ces approches ne parviennent pas à expliquer le raisonnement de la classification et à quantifier l’importance relative de chaque métrique utilisée pour entrainer le modèle. Les réseaux de neurones artificiels, une branche de l’intelligence artificielle, peuvent utiliser des métriques nouvellement générées non seulement en but d’évaluation, mais peuvent quantifier la contribution de métrique individuelle et fournir de nouvelles perspectives sur l’expertise chirurgicale. Cette étude vise à décrire l’utilité éducative de l’emploi d’un réseau neuronal artificiel quant à l’évaluation et la quantification de l’expertise chirurgicale. Une ablation d’ostéophytes vertébraux en réalité virtuelle au cours d’une procédure chirurgicale simulée de la colonne vertébrale est utilisée comme modèle afin de décrire cette méthodologie.Conception : Les participants ont effectué une discectomie cervicale antérieure et fusion simulée sur le Sim-Ortho, simulateur de réalité virtuelle. Les données ont été récupérées à partir du composant d’ablation des ostéophytes du scénario, qui impliquait l’utilisation d’une perceuse simulée. Les données ont été manipulées afin de générer 83 métriques de performance initiales couvrant 3 catégories (sécurité, efficacité, mouvement). Les métriques les plus pertinentes ont été utilisées afin d’entrainer et tester le réseau neuronal artificiel.Cadre : Cette étude a été réalisé au Neurosurgical Simulation and Artificial Intelligence Learning Centre à McGill University affilié à l’Institut-hôpital neurologique de Montréal (Montréal, Canada).Participants : Vingt et un participants ont effectué une discectomie cervicale antérieure et fusion simulée. Les participants étaient divisés en 3 groupes, dont 9 «post-residents», 5 «seniors» et 7 «juniors».Résultats : Le modèle de réseau de neurones artificiels entrainé à partir des six métriques les plus pertinentes, toutes reliées à la sécurité, a atteint 83.3% de précision à tort d’un seul participant.Conclusions : Cette étude souligne l’utilité potentielle des réseaux de neurones artificiels permettant une compréhension plus approfondie des composites de l’expertise chirurgicale et peut contribuer au changement de paradigme vers une formation chirurgicale basée sur les compétences
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".