麻醉医师在软性尸体上模拟斜角肌间阻滞训练中技能习得的模式:队列研究

简介

背景

超声引导的区域麻醉(UGRA)是一种复杂的基于超声的针干预，需要广泛的培训以提供安全、高质量的疼痛缓解和最佳的围手术期结果[1］．在COVID-19大流行期间，对UGRA的需求大幅增加，因为手术可以在不知觉的肢体上清醒进行，从而避免阿片类药物、插管和通气[2］．然而，在麻醉师之间进行UGRA的能力是不同的。培训是断断续续的:首先在病人身上学习技能(和犯错误)，然后在多年的时间里断断续续地磨练。

然而，经验与实际测量绩效之间的关系并不密切[3.潜在的有害行为可能隐藏在独立的、孤立的实践中。

模拟训练

模拟训练可提高UGRA的性能[4］．以尸体为基础的培训课程很常见，但没有结构，只教授基本技能。受训人员:受训人员的比例很高，技能的获得率也不同[5］．因此，皇家麻醉师学院2021年培训课程规定的临床教育成果可能难以在短时间内达到[6，7］．

显然需要进行UGRA模拟培训，以弥补临床暴露于UGRA的不足[8];用专家表现方法找出个人长处和短处[9];深入了解个人特征和心理测量机制对绩效的影响;并对一大批麻醉师的学习模式进行分类。

现有的证据

到目前为止，我们的工作已经验证了Thiel防腐尸体模拟器的物理和功能对齐[10，制定并验证反映技能表现的检查表和眼球跟踪指标[11]，引入掌握学习和专门的1:1训练区域麻醉[5]，使用新针技术测量学习曲线[5]，并在训练3周后展示了从尸体向患者的技能转换。我们还使用眼球跟踪来测量模拟器和患者的性能[4］．眼球跟踪测量注视的次数(视觉系统获取详细信息的点)、持续时间(停留时间)和扫视(注视之间的快速移动)。我们的眼球跟踪数据显示了结构效度和注视与清单项目的成功执行呈负相关[11］．

麻醉师的扩展学习曲线还没有建立在一个高保真的区域麻醉模拟器上，使用经过验证的、定量的指标和与增强的技能习得相关的教育范式。

当执行一项任务所花费的时间随着该任务的重复次数而减少时，学习遵循幂律:对数-对数变换产生一个容易解释的线性斜率。

主要目标

因此，我们的主要目标是测量在柔软的防腐Thiel尸体上的斜角肌间块上接受训练的广泛麻醉师的学习斜率，使用包含精通学习和专门实践的专家表现方法。

因此，我们的主要结果测量是在模拟斜角间神经阻滞的扫描和针刺阶段，通过对数-对数转换数据的最佳拟合直线的斜率。

方法

这项研究是在Dundee大学的解剖学和人类识别中心(CAHID)进行的，为期3周，受2006年解剖学法案(苏格兰)的管理。报告遵循报告精通教育医学研究[12]指南，医疗模拟研究指南[13]，以及加强流行病学报告中观察性研究的报告[14］．

伦理批准

这项研究得到了邓迪大学非临床伦理委员会的批准。

研究人群

我们邀请了具有广泛经验的麻醉师参与这项研究。他们包括1 - 7年在东苏格兰麻醉学学校的学员，一般麻醉学顾问医师，一名区域麻醉学专家，他完成了7年的培训计划，和2名常规练习神经阻滞的区域麻醉学顾问医师。我们将麻醉学学员细分为他们在苏格兰东部麻醉学培训计划中的3个年级。基本训练在第1至第2年进行，中级训练在第3至第4年进行，高级训练在第5至第7年进行。

根据Dreyfus和Dreyfus词典，所有受训人员和一般顾问都具有基本或中级UGRA熟练程度[15］．他们对区域麻醉的背景知识很少，很难用自己的判断来解决神经阻滞期间的问题，而且犹豫不决。他们是麻醉师群体的代表，这些麻醉师可能很少进行有监督或无监督的神经阻滞，并例行使用超声插入中心静脉线。相比之下，区域麻醉师顾问医师定期进行无监督神经阻滞的练习，相对轻松地提供卓越的表现，识别模式，对超越当前标准负责，并开发出处理独特问题的方法[15］．

研究干预措施

在培训前，参与者完成了自我报告的国际人格项目库(IPIP)和状态-特质焦虑量表测试。IPIP由50个陈述组成，描述了5种类型的行为:外向性、宜人性、尽责性、情绪稳定性、智力和想象力。回答陈述时使用5分的分类分数非常不准确来非常准确的．状态-特质焦虑量表由s焦虑量表和t焦虑量表组成，s焦虑量表使用20个陈述以4分制描述量表评估参与者“此时此刻”的感受，t焦虑量表使用20个陈述以4分制描述量表评估参与者的总体感受。

模拟器

解剖学科学官员为这项研究选择了2具柔软的防腐尸体。在CAHID，尸体在大桶中浸泡6个月，使用Thiel方法与盐和酸的混合物[16然后储存长达3年。尸体在模拟任务中表现出身体的逼真度和功能的一致性[17］．弹性与患者相似[18]:神经周注射使组织膨胀和松弛，液体从该部位流出，解剖结构变化极小，允许数百次<0.5 mL的重复注射[17没有尸体损伤。

这项研究是在CAHID的一间停尸房里一间安静、光线充足、通风良好的房间里进行的。一台超声波机(Zonare)被放置在脖子的右侧，志愿者坐在尸体的左侧，靠近训练师。志愿者佩戴SMI ETG 2w无线眼球跟踪眼镜(SensoMotoric Instruments)。心理学家坐在尸体头部的一张桌子后面，用笔记本电脑进行研究，从眼球追踪眼镜接收实时数据。将近红外光投射到眼睛上，集成的高帧率摄像机检测眼睛凝视的频率和持续时间，即注意力相对稳定并集中在给定位置的时间;扫视，眼睛从一个注视点快速移动到另一个注视点;停留时间，是对某一感兴趣领域的总注意力;还有目光，在显示器和工具之间转移注意力的次数。

在开始每个斜角间块之前，执行眼球跟踪软件校准程序。眼睛跟踪数据从训练者和操作员的角度被屏蔽，并下载到原始数据文件。

研究过程

在研究开始之前，培训人员演示了有利于良好实践的基本步骤和应该避免的错误。当参与者有信心时，他们就开始了研究。基本步骤包括程序前换能器操作和扫描技能;目标神经的识别;针对准换能器;针尖在针运动时的可视化，并在错位时适当调整其位置;局麻药注射过程中针尖的观察组织类型识别与局麻药扩散;以及意外的脑内注射。

每个志愿者在3小时内最多进行60次斜角间阻断。我们选择了这个延长的时间框架，以适应我们期望看到和识别个人学习曲线的动态能力的广泛范围。三位专家完成了20个区块，因为我们期望他们在学习曲线的顶端完成。我们限制了尸体的数量，因为我们预期随着时间的推移，参与者之间和参与者内部的数据会有相当大的差异。因此，由于模拟器的差异被保持到尽可能小。出于同样的原因，我们只使用了2名区域麻醉师专家来监督表现。

教育的方法

我们应用了专家绩效方法，运用了精通学习和专门的实践[6］．参与者有明确的学习目标，并在每个过程中获得持续、接近的导师反馈[19］．所有的错误都由培训师发现，并立即与之沟通，参与者会重复前面列出的步骤，直到成功为止，不考虑时间。训练师判断阻塞成功的标准是完成了所有步骤，并在C5和C6神经根之间准确注射了测试剂量约0.5 ml的防腐溶液。记录注射次数。由于所有的任务都成功地完成了，无论所花费的时间，扫描和针刺的持续时间被用作块性能的度量。包括专家在内的所有参与者都接受了同样的训练和测试。因此，这不是一项比较新手和专家的研究，而是一项旨在捕捉所有参与者表现范围的研究。扫描和针刺阶段之间的界限被定义为针头放置在皮肤上的时间。每30分钟休息5分钟，以减少操作人员的疲劳。

研究目标

我们的主要目标是测量在3小时的训练期间反复在一具柔软的防腐Thiel尸体上进行斜角间块的扫描和针刺阶段的学习斜率。

我们的次要目标如下:

• 测量preprocedural心理测验学
• 描述偏离学习斜率的偏差
• 关联扫描和针刺相位数据
• 使用客观的眼睛注视跟踪和主观的自我评价测量学习曲线
• 使用聚类分析对性能进行分类

结束点

我们的主要结果测量是在模拟斜角间神经阻滞的扫描和针刺阶段使用log-log转换时间数据的最佳拟合直线的斜率。

次要终点如下:

• 眼睛指标:在扫描和针刺阶段记录的眼睛凝视计数、注视监视器的相对注意力量(%)、注视监视器的次数和花在监视器上的相对时间(%)。
• 每个积木前后的自信[20.满分为10分，从1分“完全不自信”到10分“非常自信”。
• 焦虑程度从1分“极度焦虑”到10分“极度平静”。
• 全球技术技能熟练程度[21在第一个块被用作基线测量之后，然后在最后一个块之后重复。评估分为四个分数:1、无法在监督下进行手术;2、能在监督下执行程序;3、能够在最少的监督下完成手术(需要偶尔的帮助);第四，有能力在没有监督的情况下完成手术(并能处理任何出现的并发症)。

在搜索和插入斜角间神经阻滞的阶段记录数据。阶段之间的界限被定义为针尖放置在皮肤上的时间。眼睛跟踪数据从训练者和操作员的角度被屏蔽，并下载到原始数据文件。

端点转换

理想的学习曲线遵循权力分配。为了更容易地分析和解释学习，我们对数据进行了日志转换并绘制了图表。中表示了主要端点和次要端点y轴还有程序编号x轴。通过数据点插入最佳拟合直线。从每个图中，我们确定了截距(b)、斜率(a)、斜率的SE和渐近线的关键特征。对数曲线的坡度构成了学习速度的度量:平坦的坡度表示没有学习，陡坡表示快速学习。

每个参与者的回归斜率的SE被作为个体变异的度量，渐近线，在最近5次试验的平均表现，被视为最佳表现的指标。

统计分析

对参数数据进行了双尾分析t检验和表示为均值之间的差异(95% CI)。配对的非参数数据采用Wilcoxon检验进行分析，并以差异的中位数(95% CI)表示。两组>比较采用Kruskal-Wallis检验。对数-对数曲线的线性模型采用调整后的方法进行拟合评估R²，由预测变量解释的结果变化的比例。用斯皮尔曼秩系数(ρ)确定扫描和针刺阶段的截距、斜率和渐近线之间的相关性。采用层次聚类分析对各绩效进行区分。数值居中并按比例排列，以便比较大小。使用RStudio和GraphPad Prism进行统计分析。

动力分析

由于之前的麻醉研究没有如此详细地测量学习曲线，而且我们的数据在受试者内部和受试者之间的误差也不知道，所以我们对数据没有事先假设，并招募了所有自愿参与者。

结果

参与者的特征

总共有33名麻醉师参与了这项研究，并提供了书面知情同意书。参与者6、26和29没有参与研究，因此，我们分析了30名参与者的数据。他们的个人特征列于表1．中位数(位差;超声经历和麻醉经历4例(3-6例;1-12岁，4岁(3-6岁;分别1至29年。参与者表现为51 (40-59;28-60)块。IPIP得分如下:外向性28 (26-36;11-43)，宜人性38 (34-42;23-48)，尽责性38 (34-42); 23-48), emotional stability 36 (29-40; 19-44), and intellect and imagination 35 (32-39; 23-45). The median (IQR; range) state anxiety score was 33 (27-37; 20-63) and trait anxiety score was 36 (22-42; 26-60).

尸体耐久性

在2具尸体的左颈部放置块。重复注射时超声图像未见针迹。我们在之前的出版物中报道了该研究中第一具尸体的持久性[17］．与右侧超声对照图像相比，患者在10天内可耐受934个斜角肌间阻滞，无任何明显的神经周围积液。组织完整性被归因于与人类测量的组织弹性相似[17，18］．

学习上

我们绘制了30名参与者完成扫描和针刺阶段所需的对数时间，以及3小时内重复的对数次数。图1显示扫描时间的最佳拟合线性学习斜率。性能由线性斜率(95% CI)、截距(95% CI)、误差和经过对数-对数转换数据的最佳拟合线的渐近线表示。

‎ 把这个图

在扫描阶段，中位数(IQR;Range)的斜率为−0.47(−0.62 ~−0.32;−0.96 ~ 0.30)和中位数(IQR;Range)日志截距为4.70 (4.30-5.00;0.76 - -5.80)。在针刺阶段，中位(IQR;Range)的斜率为−0.23(−0.34 ~−0.19;−0.71 ~ 0.27)和中位数(IQR;Range)日志截距为4.20 (3.90-4.50;2.90 - -5.80)。 Both the slope and SE of expert anesthesiologists (participant numbers 31, 32, and 33) notably had a relatively flat slope with little variation during scanning (图1)和针刺。两个新手麻醉师(参与者编号12和17)也有一个平坦的斜坡，但这与显著的可变性有关，表明表现不佳。结果显示在表2．

数据的变化

局部加权散点平滑(黄土)最佳拟合线说明了搜索阶段和针刺阶段的学习动态(图2)，并总结于表2．在扫描阶段，12名参与者的学习斜率保持在一条直线附近，4名参与者的学习斜率下降到这条线以下(表示学习成绩提高)，13名参与者的学习斜率上升到这条线以上(表示学习速度减慢)，1名参与者的学习斜率以复杂的方式上下移动。在针刺阶段，12名参与者的进步接近学习斜率，6名提高，11名恶化。一名参与者表现出复杂的模式。60%的参与者(18/30)在扫描和针刺阶段表现出相似的模式。

在表2，柱显示参与者特征，线性和黄土最适合。线性模型的特征包括y轴上的截距和斜率，用adjusted描述R²．黄土拟合用箭头表示:→表示与坡度近似拟合良好，↓表示黄土线持续低于坡度，学习速度加快，↑表示黄土线持续高于坡度，学习速度减慢。“↑”、“↓”和“→”的组合可以概括学习动态。

‎ 把这个图

扫描和针刺阶段之间的联系

在扫描和针刺阶段，截距、斜率、斜率的变化和渐近线之间的相关性表示为表3．执行斜角间块所需的初始时间(拦截)越大，扫描和针刺阶段的学习率越大，ρ=−0.87(−0.94到−0.73)，P<措施，一个nd ρ=−0.45 (−0.70 to −0.09),P= . 01。

扫描阶段和针刺阶段的学习斜率相关;ρ= 0.55 (0.23 - -0.76),P<措施;ρ=−0.72(−0.46到−0.87)，P<措施，respectively.

麻醉师职级对扫描和针刺的影响

麻醉成绩与学习的关系显示在图3．

专家们的斜率更平坦，但扫描时变异性更大，而针刺时变异性更小(所有的比较)P= .02点)。

‎ 把这个图

次要终点

为我们的次要终点(注视次数、对显示器的相对注视[%]、注视次数和相对停留时间[%]、自信心和焦虑得分)生成线性斜率和黄土最佳拟合线。在搜索阶段使用眼注视计数的最佳拟合线性斜率的一个例子显示在图4．

‎ 把这个图

数据分布

斜率估计、斜率SE和渐近线数据(由中位数(IQR;为主要端点(持续时间)和次要端点(图5)．扫描和针刺阶段的眼睛凝视计数和注视计数最能反映中位(IQR)块持续时间。相比之下，相对注视显示器(%)、相对停留时间(%)、自信心和焦虑得分变化不大。注视次数和注视次数的广泛分布反映了完成扫描和针刺时间的广泛分布。因此，选择阻断持续时间、注视次数和注视次数作为性能区分的定量标记。

‎ 把这个图

终点之间的相关性

在扫描和针刺阶段，学习斜率(持续时间)与注视和目光斜率相关(图6)，但没有自信心、焦虑感或整体技能得分。

‎ 把这个图

聚类

程序前和程序中注视和注视次数的聚类分析(图7)确定了在搜索和针刺阶段的4个不同的表现组。

在扫描阶段，各组根据表现(从最好到最差)分为A、B、C和D (图8)和a, b, c, d在针刺阶段(图9)．图9概述了扫描阶段中持续时间、眼睛注视和眼睛扫视的学习斜率的特征(截距、斜率、误差和渐近线)。从最佳性能到最差性能，可以观察到不同的性能趋势。例如，更好的性能与过程持续时间渐近线的缩短相关(图像J;χ²_3.= 17.0;P<措施);截距(图B;χ²_3.= 9.5;P=.02)和渐近线(图像K;χ²_3.= 21.2;P<.001)的眼睛凝视固定;眼神的学习斜率(图F;χ²_3.= 9.3;P= 03)。

图9根据聚类分析定义的组，概述了针刺阶段持续时间、眼睛注视和眼睛注视的学习斜率的特征(截距、斜率、误差和渐近线)。使用与扫描阶段相同的截距和渐近线，可以观察到从最佳性能到最差性能的相同趋势。例如，更好的表现与SE的降低有关(图H;χ²_3.= 9.6;P=.02)，过程持续时间渐近线(图像K;χ²_3.= 14.4;P=.002)，拦截(图像B;χ²_3.= 12.8;P=.005)、眼睛凝视注视的渐近线(图L;χ²_3.= 7.9;P= .04点)。

‎ 把这个图

‎ 把这个图

‎ 把这个图

讨论

主要研究结果

我们利用过程时间数据的对数-对数变换，对30名麻醉医师进行模拟斜角间阻滞的个人学习斜率进行了表征。黄土最佳拟合线捕捉到了学习的动态性质。针刺性能与扫描性能并行。专家麻醉师的特点是持续和稳定的表现，而新手麻醉师需要更长的时间，他们的表现不同。我们确定了扫描和针刺的4个不同的技能组。用眼神注视次数和注视次数对表演的区分反映了用程序时间对表演的区分。

的优点和缺点

我们研究的优势在于其教育和统计方法，定量指标的应用，以及经过验证的高保真模拟器的使用。

教育的方法

首先，我们将精通学习和专注练习作为专家表演方法的一部分，应用于每个程序前和程序步骤，而不是整个神经阻滞。精通学习越来越多地用于医学院的技能培训[22]，最近的一篇综述建议在麻醉教学中引入有意识的练习[23］．与传统的评估方法不同的是，掌握学习努力让所有参与者达到预先定义的技能水平，而不考虑时间长短。24］．因此，在我们的研究中，所有区块都成功进行，无论训练时长。这样，由于所有项目都完成了，所以测量持续时间被视为块质量的标志。然而，我们的方法的一个弱点是我们未能衡量所犯的错误的数量。只有一项调查UGRA培训的研究衡量了任务和错误[25］．在未来的工作中，我们打算用视频分析错误来测试学员，包括那些可能对病人造成伤害的错误。

统计方法

其次，我们论证了技能获取遵循学习幂律[26］．尽管对数-对数转换可以通过所有数据集进行线性拟合，但随着时间的推移，参与者内部的差异性仍然会发生。在扫描阶段和针刺阶段，黄土曲线的个体动态最为明显，揭示了许多不同的学习模式。由于这些模式的复杂性，我们打算在未来使用非线性混合效应模型、贝叶斯方法和机器学习来分析数据集[27，28］．先进的建模将使我们能够更好地拟合个体学习曲线，并捕捉初始表现的参与者内部和参与者之间的变化，以及由于疲劳而导致的任何表现恶化。

聚类分析使我们能够区分不同级别(专业培训生[ST])和培训年限的表现。我们确定了6名符合专家扫描性能的参与者(参与者编号13 [ST6]， 17 [ST3]， 18 [ST4]， 20 [ST4]， 22 [ST4]， 24 [ST6])和5名符合专家针刺性能的参与者(参与者编号1 [ST6]， 15 [ST3]， 20 [ST4]， 24 [ST6]， 25[顾问])。这些最优秀的学习者持续进步，正如负学习斜率所显示的那样，即使在起点较低的情况下也是如此。相比之下，表现最差的学生起步缓慢，几乎没有进步。它们具有高渐近线和高数据可变性的特点。其余的受训者在试验中表现不规律，在一次又一次的试验中，有时有所改善，有时有所恶化，这可以通过学习斜率的起伏和数据的广泛传播来显示。并不是所有的学习者在教学过程中都有进步，在渐近线(最后5次试验)中学习未能稳定下来，即使是在同一具尸体的同一地点重复执行任务。

不像Dreyfus和Dreyfus [29]，我们使用聚类分析技术在扫描和针刺阶段确定了4个而不是5个不同的组。以前没有麻醉研究尝试使用德雷福斯标准来测量和分类技能。因此，我们的研究结果为从新手到专家的斜角间块技能的范围提供了独特的洞察，并广泛反映了Dreyfus和Dreyfus [29］．

然而，必须记住，我们只是为单个斜角间块定义了技能范围。我们假设，当面对一个新的尸体、新的病人或新的障碍时，甚至需要更多的学习，更少的参与者可能会停滞不前或达到专家的表现。

我们建议将技能培训分成一系列独立的步骤，以便在获得新技能的同时可以对业绩进行衡量。我们不认为一门掌握式学习课程就足够了，但我们认为，要攀登德雷福斯和德雷福斯提出的技能阶梯，需要持续的培训和评估。29，并减少技能流失的影响。在未来的工作中，我们打算测量训练后的技能失失率，作为在模拟器上再训练需求的计时手段。

指标

第三，我们在注意焦点方面证明了较强的建构效度。大多数研究都通过比较新手甚至非麻醉师与专家来证明构念有效性。相比之下，我们的研究使用了一个异质麻醉师组，显示了几个组在注意力集中方面的改善，其顺序如下:专家>普通>高级学员>中级学员>初级学员图3)．与新手相比，专家专注于显示器，更少的注视，更短的整体停留时间(花在屏幕或工具区域的时间更少)，更少的注意力在目标和工具之间切换。这可能表明新手在使用工具(探针或针)或认知处理方面有困难。有些学员是在完成夜间随叫随到的工作后招募的，可能已经很累了。我们承认，对学员清醒状态进行标准化的失败给我们留下了一些背景统计数据噪音．尽管如此，我们认为这项研究至少代表了日常实践，我们很容易就能揭露眼球跟踪指标的可变性和歧视性属性。

模拟器

第四，我们的研究是通过耐用的尸体模拟器实现的。与新鲜冷冻尸体不同的是，柔软的经过防腐处理的尸体在2周内可耐受934次注射[16］．流体迅速从斜角间槽中排出，为重复练习提供了良好的条件。没有看到针痕，外部压痕也消失了，因为尸体保持了弹性。展示这一现象的图片见于我们以前的出版物[17］．租用尸体并不便宜，每半天的培训费用为250英镑(300美元)，尽管在尸体的两端可以容纳2个培训小组。我们小组已经成功实施了4门课程，通过掌握方法提高熟练程度。

我们选择限制使用的尸体数量。我们预期随着重复操作(学习曲线)的提高，参与者内部会有很大的差异，我们也预见到参与者之间会有很大的差异，因为我们正在检查麻醉医师之间最广泛的技能范围。因此，使用多具尸体可能会引入更多的差异，需要进行大规模的研究。

然而，我们确实认识到，对尸体的限制不能反映临床实践中看到的变化，我们敦促在推断数据时要谨慎。我们打算进行一项随机对照试验，让参与者接触多具尸体，并通过将他们分配到多个神经块来研究移情。

教师感兴趣的是需要多少个模块才能获得专家的专业知识?为了计算这一点，可以假设时间(T)和块数(N)之间的关系为负幂学习曲线的形式: T = b * N^-一个。或^一个N^-一个^{= b}/^T。

从我们的数据来看，假设b= 60,一个=0.005从我们的数据拟合曲线得到=0.005，相当于我们的同行的专业知识是在189块之后获得的，需要284或550块才能分别类似专家2和专家1的表现。增加b到70或80将需求分别增加到351和377，以匹配顾问2。

与之前工作的比较

我们的发现与腹腔镜、放射学和下棋中观察到的专家行为一致[9]，这被认为是由视觉结构记忆的逐渐积累所支撑的。我们假设，在基于尸体的掌握学习环境中专门的练习提供了一个重复编码这些视觉记忆的机会。最好的新手更有经验，他们的表现接近区域研究员，而不是专家顾问。我们认为有经验的新手可能从超声检查的一般经验中发展出了可转移的技能，例如在中央导管插入过程中。

受训人员的特点往往是重载通过信息精神运动表现、空间判断、监测数据、指导和术中事件[30.，31］．有限的认知资源可用于实现果断和正确的决策。因此，通过掌握学习和反馈技术技能的自动化使受训人员能够通过最小化认知过载来应对区域麻醉的挑战。

两项在UGRA中使用眼球跟踪的研究表明，与我们的研究一样，与受训人员相比，在与专家进行模拟任务时，他们对目标的注意力更集中[4，32］．外科学科在将注意理论和实践应用于医疗培训方面取得了进展。在腹腔镜训练中，专家在模拟器训练中更快地完成任务，对目标的注意力更集中，目标和工具之间的切换更少[33，34］．文献中所缺少的是对迈向能力和中级专业知识的渐进步骤的研究。

未来的发展方向

我们的研究结果表明，在掌握学习项目的背景下，眼球跟踪可以被视为形成性反馈(通过注视行为的视觉反馈)和评估的一种手段。它提供了一个更深入的理解，为什么学员以不同的速度学习基于他们的注意力模式，并允许反思的表现。我们认为，使用眼动的客观评估可以通过减少训练者之间的评估差异来补充传统方法。最终，这种方法可以从面对面学习适应远程网络教育。

目前还没有实时的眼球跟踪指标，因为数据必须由统计学家进行分析。考虑到这一点，我们的团队正在开发算法，可以将测量结果转换到临床环境中，并将眼球跟踪与运动分析关联起来。

结论

我们衡量技术技能表现的协作转化方法与最近的Topol数字医学报告中的建议非常吻合[35］．我们已经展示了在技能获取方面的实质性改进，并展示了如何使用技术来量化复杂的人类表现的数据。