Development of a rhinoplasty step-specific (S2) simulator for competency assessment
Bibliographic record
Abstract
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
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
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".