这项前瞻性观察性研究证明，与传统教学相比，基于人工智能的个性化学习系统显著提高了长期手术室器械操作能力，减少了安全事件，并提升了培训效率。
研究文章
这项前瞻性观察性研究证明，与传统教学相比，基于人工智能的个性化学习系统显著提高了长期手术室器械操作能力，减少了安全事件，并提升了培训效率。
传统的手术室器械培训通常依赖于“一刀切”的教学方式，导致长期技能保持效果差，并增加了可预防的手术错误。本研究假设，一种由人工智能（AI）驱动的个性化学习系统可通过根据学习者个体特征定制训练内容，从而提高技术能力、患者安全性和培训效率。研究开发了一种AI驱动的个性化学习系统（APLS），该系统结合了数据驱动的学习者表型分类、基于深度学习的器械识别、能力发展轨迹的集成预测以及强化学习，以在基于模拟的培训过程中提供自适应的多模态反馈。在一家三级医院开展的一项前瞻性观察研究中，采用基于科室分组的分配方式（引入准实验元素），共有107名多学科手术室工作人员接受了AI驱动课程或标准的教师主导培训。主要结局指标为术后12个月器械操作能力的保持情况，通过围手术期器械熟练度量表（PIPS）进行评估；次要结局包括手术室安全事件、培训时间以及每名合格专业人员的培训成本。与传统培训相比，个性化系统显著提高了12个月后的能力评分（APLS组84.1 ± 9.2 vs. 对照组58.9 ± 18.7，p < 0.001），临床实践中与安全相关的事件更少，培训时间几乎缩短了一半，同时整体培训成本降低了38.3%。AI集成模型在预测学习者表现和选择反馈策略方面也优于其各个独立的机器学习组件。这些结果表明，将无监督的表型发现、有监督的预测和强化学习整合到一个统一平台中，可显著提升手术室器械培训效果，并可能为围手术期护理领域中基于数据的 workforce 发展提供一种可扩展的框架。
手术室环境是医疗保健领域中最复杂的场景之一，有效的多学科协作直接影响患者安全结果和手术质量1,2。仅在中国医院中，器械操作能力培训不足每年导致约15,000例可预防的手术错误，其中沟通失败和技术缺陷占围手术期不良事件的72%3。传统的培训方法依赖于标准化的教学模式，未能考虑个体学习差异、认知处理差异以及个性化的技能发展路径4,5。
从理论角度来看，多种教育框架阐明了在复杂的心理运动领域中，个性化方法为何可能优于标准化教学。认知负荷理论6指出，教学设计必须考虑工作记忆的有限容量，尤其是在学习者需要在高保真环境（如手术室）中同时处理新的程序性、概念性和感知性信息时7。通过根据个体的认知特征调整内容难度和呈现方式，个性化系统能够优化内在认知负荷与外在认知负荷之间的平衡。刻意练习框架进一步表明，当训练包含个性化的挑战水平、即时的纠正性反馈，并针对已识别的薄弱环节进行集中重复练习时，技能习得效果达到最大化；这些要素在传统的师徒制教学模式中难以持续实施，但可通过算法自适应的方式自然实现8。此外，最近发展区理论为难度的自适应调节提供了理论基础，认为当任务难度被设定为略高于学习者当前独立完成能力时，学习效果最佳9。这些理论观点共同支持如下假设：一种能够根据个体学习者特征动态调整教学参数的人工智能系统，其培训效果应优于静态的、一刀切式的教学方法。
机器学习和实时绩效分析领域的最新进展为应对教育挑战提供了巨大潜力6,7。人工智能在外科教育中的现代应用已展现出良好前景，已有研究报道，实施由人工智能驱动的反馈系统后，技能习得效果显著提升9。然而，现有的基于人工智能的外科培训平台（包括Touch Surgery等商用系统，以及先前研究中综述的类似平台8）主要依赖单一算法架构，通常为孤立的神经网络或决策树，仅能通过分步视觉引导提供手术流程的重复练习，缺乏实时自适应反馈或个性化的学习路径优化功能。以往的研究尚未将多模态传感器融合处理（如眼动追踪、动作捕捉和生理监测等异构数据流）与基于强化学习的自适应反馈机制相结合，以动态调整个体学习轨迹10,11。此外，现有系统也未在一个统一的教育框架内整合无监督表型发现与有监督预测方法12,13。这些空白代表了错失的机会，因为个性化学习的理论文献强烈表明，集成化的多组分自适应系统应比单组分方法更为有效14。
当前围手术期环境下的教育框架存在若干重要局限性8,15。传统的师徒制教学模式提供的学习体验不一致，在导师质量、反馈标准化以及能力评估的可靠性方面存在显著差异。这些方法无法适应多样化的学习风格，不能根据个体学习进度进行调整，也缺乏优化教育效果所必需的高级分析能力11,15。为应对这些尚未满足的需求，本研究引入了人工智能驱动的个性化学习系统（APLS），这是一种综合性的教育干预措施，将四种算法上相互独立的组件整合于一个自适应平台中，专为多学科手术室器械培训而设计。据我们所知，该系统是手术教育文献中最早实证整合以下功能的系统之一：一种混合架构，结合无监督聚类用于基于数据的学习者表型发现，以及有监督分类用于实时表型分配；一种迁移学习流程，利用有限的领域特定数据将预训练的卷积神经网络适配于手术器械的视觉识别；一种强化学习模块，通过学习者互动迭代优化反馈的时机与方式；以及一种集成预测框架，综合多个异构算法的输出，以比任一单一模型更准确地预测能力发展轨迹。本研究通过对学习成果、临床表现指标、培训效率和成本效益进行为期12个月的前瞻性比较，评估APLS相较于传统导师主导培训的效果，旨在确定这种统一的人工智能驱动个性化平台是否能够显著推动围手术期器械教育超越当前的教学实践。
访问受限。请登录或开始试用以查看此内容。
本研究遵循赫尔辛基宣言进行，并已获得浙江大学医学院附属邵逸夫医院伦理委员会的批准（批准编号：0480，批准日期：2025年8月10日）。所有参与者在参与前均签署了书面知情同意书。
研究设计与实施地点
本研究于2024年1月至2025年2月在中国杭州浙江大学医学院附属邵逸夫医院开展，采用基于科室分组的前瞻性观察性研究设计。基于科室的分配策略为此研究设计引入了类实验元素；因此，因果推断应谨慎解读16。研究采用平行组对照设计，依据科室分配分组，以防止组间信息交流。采用分层入组方式，以确保各组基线特征具有可比性。该医院设有专门的模拟实验室，配备标准化手术室环境、外科器械、监护设备及视频录制功能。
样本选择与参与者
2023年11月至2024年1月期间，通过分层随机抽样方法从中国邵逸夫医院所有符合条件的围手术期工作人员（n = 342）中招募了医疗专业人员。分层变量包括专业角色（护士、手术技术员和麻醉技术员）、工作经验（<5年、5–10年、10–15年以及>15年）、教育水平（大专、学士和硕士学位）以及临床科室（普通外科、骨科、心血管外科及其他专科）。在每个分层内使用计算机生成的随机数（R软件，set.seed = 12345，以确保可重复性），通过sample函数进行抽样，以保证所有人口统计学和专业类别的代表性。样本量基于初步预试验数据（n = 30）使用G*Power 3.1.9.7软件计算，预期效应量Cohen's d = 0.60，双侧显著性水平α = 0.05，目标统计效能（1 − β）= 0.80，结果表明至少需要90名参与者（每组45人）。考虑到根据机构历史数据预计有15%的脱落率（失访），目标入组人数设定为104人。实际入组人数达到120人，在考虑最终11%的脱落率后，统计效能达到87%。
纳入标准要求
（1）目前在中国邵逸夫医院从事围手术期相关工作；（2）具有至少6个月的手术室工作经验；（3）在整个13个月的研究期间均可配合参与；（4）愿意参加所有评估活动；（5）具备基本的计算机操作能力，定义为能够独立使用网页浏览器以及键盘和鼠标进行操作。
排除标准包括：
研究期间计划长期休假、在过去6个月内参加过其他外科器械培训项目、视力障碍无法矫正至20/40或更好，以及目前正在攻读正式的外科技术学位课程。最初共招募了120名参与者，其中107人完成了全部研究方案（完成率为89.2%）。退出研究的原因包括工作变动（n = 7）、个人情况（n = 4）以及技术相关困难（n = 2）。采用逻辑回归进行的流失分析显示，退出与基线特征之间无显著关联，包括年龄（OR = 1.03，p = 0.52）、性别（OR = 0.87，p = 0.85）、职业角色（p = 0.73）或基线PIPS评分（OR = 1.01，p = 0.67），表明数据缺失符合随机缺失模式，Little's MCAR检验结果也证实了这一点（χ2 = 43.2，df = 38，p = 0.26）。
分组分配
为尽量减少教育干预中固有的污染效应，参与者根据所属科室被分配至干预组或对照组。科室（n = 8）根据手术病例数量和员工规模进行配对，随后使用计算机生成的随机化方法将各对科室随机分配至高级儿科生命支持（APLS）组或对照组（R 软件，随机种子 = 54321）。采用这种基于集群的方法，是因为在科室内部进行个体随机化可能导致严重的交叉污染，同事之间会共享知识和培训经验。需指出的是，科室文化、领导质量、基线教育实践以及病例构成等因素可能独立影响结局，这些是无法在非个体化的随机设计中完全消除的潜在混杂来源16。分层抽样确保了基线特征的可比性。进行PIPS评估的结果评估人员通过编码的参与者标识符对分组情况设盲。统计分析人员在完成主要分析之前，接收的是去标识化且组别标签被隐藏的数据集。
APLS 系统架构与技术实现
APLS 包含四个在基于云的平台上运行的集成化计算组件（材料表）。该系统采用开源深度学习框架开发，并配备基于 Web 的前端（参见 材料表），使用 RESTful API 协议（表述性状态转移应用程序编程接口，支持前端客户端与服务器端机器学习模块之间基于 HTTP 的标准化通信）、基于 JSON Web Token（JWT）的身份验证（确保仅授权用户和系统组件可访问学习者数据及模型端点）以及 TLS 1.3 传输层加密（保障客户端设备、应用服务器与基于云的模型服务基础设施之间所有传输中数据的安全）。有关软件环境的完整说明，包括依赖项说明（requirements.txt）、配置文件结构以及数据管道初始化命令，详见 补充文件 1。
硬件设置与校准
每次训练开始前，均执行以下硬件校准流程。将眼动追踪设备（参见材料表）安装在可调节高度的支架上，距离受试者眼睛60–70 cm处，并采用制造商提供的标准9点校准程序进行校准，确保视觉角度精度≤0.5°。由八台摄像机组成的阵列（参见材料表）以训练站中心为圆心呈环形布置，半径为2.5 m，摄像机安装高度交替设置为1.8 m和2.4 m，并使用制造商提供的标定杆程序进行校准，残差误差阈值≤0.3 mm。根据补充文件2中描述的标记点放置方案，将反射标记点（n = 16，直径 = 12.7 mm）固定于双手及手腕的标准解剖标志位置。生理监测设备按照制造商说明佩戴，并在训练开始前检查信号质量以确保正常工作。
组件 1：学习者表型分类系统
该分类系统采用结合无监督学习与有监督学习的两阶段混合方法。第一阶段，利用基线评估数据进行 k 均值聚类分析，以发现自然形成的学习者分组。输入特征（n = 37）包括基线 PIPS 领域得分（4 个特征）、VARK 学习风格量表得分（4 个特征）、计算机化反应时间任务测得的认知处理速度（3 个特征）、技术使用舒适度得分（1 个特征）、人口统计学变量（3 个特征）、数字广度测试测得的工作记忆容量（2 个特征）、心理旋转任务测得的空间推理能力（1 个特征）、精细运动技能基线得分（3 个特征）、大五人格特质（5 个特征），以及来自机构记录的先前表现指标（3 个特征）。详细的预处理规范、超参数优化流程及特征重要性排序详见补充文件 1（第 S2 节）。所得到的三个聚类被表征为快速学习者（30.9%）、中等学习者（49.1%）和慢速学习者（20.0%）。第二阶段，使用基于聚类标签训练的支持向量机进行有监督分类，以实现对新学习者的实时分类。完整的超参数搜索空间、交叉验证结果及各类别的分类指标详见补充文件 1（第 S2.3 节）。
组件2：多模态数据整合与传感器融合系统
该平台整合了五种异构数据流：眼动追踪数据、动作捕捉数据、生理监测（心率变异性、皮肤电反应和唾液皮质醇）、通过自动化视频分析实现的绩效分析，以及交互日志记录。详细的传感器参数、预处理流程、特征提取方法，以及用于认知状态估计的卷积神经网络架构详见补充文件1（第S3节）。该融合系统每1秒更新一次认知状态表征，编码整合后的注意力、运动执行、认知负荷和任务表现信息。
组件3：预测分析引擎
集成预测系统结合了三种互补的算法：随机森林、梯度提升机（XGBoost）以及具有长短期记忆（LSTM）层的深度神经网络，后者将认知状态嵌入作为时间序列进行处理。集成聚合采用加权软投票方法，权重通过验证数据优化确定。完整的算法说明、超参数值、训练流程及收敛诊断信息详见补充文件1（第S4节）。训练、验证、部署和评估所用数据集严格分离；模型开发仅使用先前一项包含150名参与者的预试验研究数据（80%用于训练，20%用于验证），而当前研究的参与者数据则构成完全独立的保留部署数据集。部署期间的滚动再训练仅使用此前7天的交互数据，不纳入结局评估数据，从而防止评估结果的信息泄露至预测模型中。
组件 4：基于强化学习的自适应反馈系统
该自适应反馈系统采用 Q 学习算法，将反馈选择建模为马尔可夫决策过程。状态空间（25 维）编码当前认知状态、时间上下文、任务参数以及学习者特征。动作空间包含 25 个离散动作，代表反馈模态、时机和具体性的不同组合。奖励函数综合考虑了表现提升、认知负荷避免、参与度维持以及纠错延迟。状态空间、动作空间、奖励函数、Q 学习更新参数及收敛准则的数学表达详见补充文件 1（第 S5 节）。
培训课程工作流程
每次 APLS 培训课程均按照以下标准化顺序进行。（1）参与者在指定的培训工作站上使用分配的凭据登录 APLS 平台。（2）验证硬件校准（眼动仪、动作捕捉和生理传感器），并通过自动质量检查确认信号完整性符合要求。（3）系统调取该参与者的当前学习者表型分类及预测的能力发展轨迹，以配置本次课程的参数。（4）初始热身模块（5 分钟）会根据参与者记忆保持模式，回顾上一次课程的内容。（5）核心训练模块（40–50 分钟）呈现器械识别、操作及操作流程任务，任务难度由自适应算法确定，并依据 Q 学习策略提供实时多模态反馈。（6）显示课程总结和绩效仪表板，展示参与者相对于其个人学习轨迹和能力里程碑的进展。（7）参与者完成一份简短的满意度调查（2 分钟）。（8）课程数据将自动上传至云端服务器，用于模型更新。
对照组操作流程
对照组接受按照标准化机构规程进行的传统手术室器械培训。培训内容包括：由资深手术室（OR）护士教育者讲授的初始8小时课堂理论课程，涵盖器械分类、命名法、操作原则及无菌技术；一本187页的印刷版培训手册，其中按外科专业分类包含器械照片、规格和描述；在模拟实验室进行两次各4小时的实操工作坊，在导师监督下使用实体器械套装进行训练（导师与学员比例为1:6）；可访问机构学习管理系统，获取数字化培训材料以供自主复习；以及定期安排的季度复习课程（每次2小时），重点回顾容易混淆的器械。在研究期间，结构化教学总时长为20小时。培训中未引入任何自适应算法、个性化学习路径或人工智能增强组件。
结局指标
主要结局指标为培训后12个月时通过经过验证的围手术期器械操作熟练度量表（Perioperative Instrument Proficiency Scale, PIPS）评估的知识保持情况。PIPS的完整开发过程（包括通过文献综述和专家焦点小组生成条目、三轮改良德尔菲法内容效度验证（内容效度指数 = 0.94）、探索性与验证性因子分析，以及完整的行为锚定评分标准）详见补充文件3。该量表表现出良好的心理测量学特性（Cronbach's α = 0.92，间隔2周的重测信度ICC = 0.91）。PIPS共包含24个条目，涵盖四个领域：器械识别（6个条目）、操作熟练度（6个条目）、安全规程（6个条目）和团队沟通（6个条目）。每个条目采用五级李克特量表评分（1 = 新手，5 = 专家），并配有行为锚定描述语。总分范围为24至120分，分数越高表示熟练度越高。
PIPS 评估由经过培训的评估员（六名具有>10 年手术室经验并已完成 8 小时标准化培训项目的外科护士）在基线期、干预后即刻以及 1、3、6 和 12 个月随访时进行。评估员通过编码的参与者标识符对分组情况设盲，并评估经过编辑的视频录像，以去除任何可见的 APLS 特定界面元素或反馈显示内容。评估员不知晓参与者所接受的培训方式。评估员间信度通过双人编码 20% 的评估样本（n = 128）建立，所有领域的组内相关系数（ICC）均达到 > 0.85（总分 ICC = 0.89，95% CI：0.85–0.92）。
次要结局如下：（1）通过为器械操作改编的客观结构化技术技能评估（OSATS）来评估实践能力，该评估包含六个标准化站点（最高30分），由经过盲法处理的专家评分员在基线以及3、6和12个月时进行（组内相关系数ICC = 0.87）。（2）培训时间效率以达到能力阈值（PIPS ≥ 75）所需的总小时数来衡量。（3）成本效益按每名达标学习者的成本计算，纳入直接和间接成本，并使用机构会计数据将成本标准化为2024年中国人民币。（4）学习者满意度通过采用5点李克特量表的问卷进行评估（共27项条目，内部一致性α = 0.91）。（5）来自机构安全报告系统的探索性临床绩效指标：在培训后12个月内与器械相关的事件报告，按每1,000例外科手术进行率值计算，并根据手术复杂程度进行调整。由于本研究的样本量未针对这些低频事件的差异检测进行设计，因此安全事件结局被归类为探索性指标。
统计分析方法
所有统计分析均使用 R 4.3.0 版本 及其 RStudio 界面完成，并使用了以下 R 包：lme4 用于拟合混合效应模型，emmeans（“估计的边际均值”；一个用于计算模型调整后的组均值，并对拟合的混合效应模型进行 Tukey、Bonferroni 或 Scheffé 事后两两比较的 R 包），psych 用于心理测量学分析，effsize（一个用于计算标准化效应量（包括 Cohen’s d 和 Hedges’ g）及其置信区间的 R 包）用于效应量计算，以及 mice 用于多重插补。所有假设检验的显著性阈值预先设定为 α = 0.05（双尾）。
多重比较校正方法如下：对于主要结局指标（不同时间点的PIPS总分），基于线性混合效应模型中的组别×时间交互作用，并采用Kenward-Roger自由度进行推断，该方法无需对多个时间点进行单独的多重比较校正。对于PIPS领域子量表（四个同时比较），采用Bonferroni校正（校正后α = 0.0125）。对于次要结局指标（四项测量指标：手术室效率评分、安全事件、TEAM沟通评分和错误频率），采用Benjamini-Hochberg错误发现率控制程序（q = 0.05）。对于人工智能系统性能指标（十个内部比较），采用Bonferroni校正（校正后α = 0.005）。所有报告的p值和显著性判断均明确指出了所应用的校正方法。
所有主要和次要的组间结局均采用线性混合效应模型进行分析，模型中包含组别、时间及其交互作用的固定效应，以及受试者和科室的随机截距（以考虑基于集群分配导致的组内相关性）。通过估计科室层面的组内相关系数来量化集群程度。采用Little的MCAR检验评估缺失数据模式；数据被判定为完全随机缺失，并通过基于预测均值匹配的多重插补法进行处理（插补数据集数量m = 20，采用Rubin规则合并结果）。通过完整病例分析、不同插补次数（m = 10，m = 50）以及最差情况/最佳情况的敏感性分析评估结果的稳健性。
访问受限。请登录或开始试用以查看此内容。
参与者特征
最终样本包括107名参与者，保留率极佳（图1）。对完成者（n = 107）与退出者（n = 13）进行的流失分析显示，基线特征方面无显著差异：年龄（t = 0.89，p = 0.38）、性别（χ2 = 0.21，p = 0.64）、职业角色（χ2 = 1.45，p = 0.48）、基线PIPS评分（t = 0.62，p = 0.54）或分组分配（χ2 = 0.03，p = 0.86），支持数据完全随机缺失的假设，该假设经Little的MCAR检验确认（χ2 = 43.2，df = 38，p = 0.26）。
基线特征显示各组之间达到了良好的平衡，在人口统计学变量、教育背景、既往经验或对技术的熟悉程度方面均无显著差异（表1）。在对18项基线比较进行Benjamini-Hochberg校正后（FDR q = 0.05），所有p值均仍> 0.25，证...
访问受限。请登录或开始试用以查看此内容。
这项前瞻性观察性研究通过基于科室的集群分配引入了准实验设计元素，提供了证据表明，与传统的教学方法相比，整合多种机器学习算法的人工智能驱动个性化学习系统与手术室器械培训效果的显著提升相关。该研究结果对人工智能方法学和外科教育实践均具有重要意义；然而，若干重要局限性在一定程度上影响了推论的强度，如下文所述。
APLS 框架提出了一种统一的平台，将四种算法上不同的组件——无监督学习者表型分析、基于迁移学习的器械识别、集成能力预测以及基于强化学习的自适应反馈——整合为一个连贯的教育干预体系。据我们所知，这代表了在外科教育领域中为数不多的此类集成系统的实证展示之一，因为以往的平台通常采用单一算法方法，或孤立地处理各个独立组件8,10,11。该集成模型的预测准确率达到 96.7%，显著优于其各个独立组件，这与集成方法在复杂预测任务中的理论优势一致，表明单一算法无法充分捕捉外科技能习得的多维特性。强化学习组件与...
访问受限。请登录或开始试用以查看此内容。
作者声明，他们不存在与本工作相关的任何竞争性财务或非财务利益。
作者感谢邵逸夫医院手术室工作人员和护理教育团队在培训项目实施和数据收集过程中提供的支持。本研究由浙江省医药卫生项目资助（资助编号：2025HY0440 和 2023KY781）。资助机构在研究设计、数据收集、数据分析、数据解释及论文撰写过程中均未参与。
访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 触觉反馈手术模拟器（Touch X） | 3D Systems（前身为 Sensable） | PHANToM Premium 3.0 | 六自由度触觉设备；在模拟组织操作和缝合任务期间，作为AI驱动力反馈传递的主要接口 |
| 模拟软件平台（SimSurgery™ AI 套件） | 定制/自主研发 | 不适用 | 专有的AI驱动培训软件，集成卷积神经网络（CNN）模块，用于实时性能分类和自适应反馈生成 |
| 力/扭矩传感器 | ATI 工业自动化公司 | Nano17 SI-12-0.12 | 在组织操作和缝合练习期间测量施加的器械力（分辨率：0.003 N）；数据输入至AI分类算法 |
| 运动追踪系统 | 北方数字公司（NDI） | Polaris Vega ST | 外科器械轨迹的光学追踪；体积精度RMS为0.12 mm；用于评估器械导航准确性 |
| 腹腔镜器械套装（培训用） | Karl Storz SE & Co. KG | 26003 AA / 33310 DB | 标准5 mm腹腔镜抓钳和持针器，用于AI驱动和传统培训组 |
| 高保真组织模拟体（软组织模型） | SynDaver 实验室 | 腹部手术模型（货号：SYN-ABD） | 经验证的合成组织替代物，用于缝合、解剖和组织操作练习；根据制造商建议每使用50次后更换 |
| GPU 工作站 | NVIDIA / Dell | Dell Precision 7920 搭载 NVIDIA A6000（48 GB 显存） | 用于运行实时AI推理（CNN分类延迟<15 ms）的计算硬件；专用服务器连接至触觉设备 |
| 神经网络框架 | 开源（Meta AI） | PyTorch v2.1.0 | 深度学习框架，用于自适应反馈算法的模型训练、验证和实时推理 |
| 统计分析软件 | IBM 公司 | IBM SPSS Statistics v29.0 | 用于所有主要和次要结局分析中的混合效应模型、独立样本t检验和重复测量方差分析 |
| 数据可视化与绘图软件 | GraphPad 软件公司 | GraphPad Prism v10.0 | 用于生成所有稿件图表，包括误差线（标准差和95%置信区间）、保留曲线和分组柱状图 |
| 视频录制系统 | Stryker 公司 | 1688 AIM 4K 平台 | 术中和模拟会话视频采集，用于盲法事后专家评估（OSATS评分） |
| 结构化评估工具（OSATS） | 不适用 — 已验证的已发表工具 | Martin 等，1997（Br J Surg） | 技术技能的客观结构化评估；七项全局评分量表（每项1–5分），用于盲法专家对缝合和组织操作的评估 |
| 随机化与数据管理软件 | 开源 | REDCap v13.7.2 | 用于参与者分配（基于部门的聚类）、人口统计学数据收集和纵向随访评分追踪的电子数据采集系统 |
| 音频反馈模块 | 定制/自主研发 | 不适用 | 提供实时纠正性听觉提示（音调编码警报）的软件模块，集成于多模态反馈系统中 |
| 机构问卷（学员满意度调查） | 定制/自主研发 | 不适用 | 18项李克特量表（1–5分）问卷，评估感知培训效果、系统可用性和学员信心；在培训后及24周随访时发放 |
访问受限。请登录或开始试用以查看此内容。
申请许可以重复使用本 JoVE 文章的文本或图表
申请许可