Блог

Jun 23, 2024

Инструмент

Scientific Reports, том 13, номер статьи: 9591 (2023) Цитировать эту статью 573 Доступы 1 Подробности альтметрических показателей Количественная оценка и понимание хирургических данных выявляют тонкие закономерности в задачах и

Том 13 научных докладов, номер статьи: 9591 (2023) Цитировать эту статью

573 Доступа

1 Альтметрика

Подробности о метриках

Количественная оценка и понимание хирургических данных выявляют тонкие закономерности в задачах и производительности. Использование хирургических устройств с искусственным интеллектом предоставляет хирургам персонализированную и объективную оценку эффективности: виртуальную хирургическую помощь. Здесь мы представляем модели машинного обучения, разработанные для анализа хирургического мастерства с использованием данных о силе взаимодействия инструмента и ткани при хирургическом рассечении, полученных с помощью сенсорных биполярных щипцов. Моделирование данных проводилось с использованием 50 нейрохирургических процедур, предполагающих плановое хирургическое лечение различных внутричерепных патологий. Сбор данных проводился 13 хирургами разного уровня опыта с использованием сенсорных биполярных щипцов системы SmartForceps. Алгоритм машинного обучения представлял собой разработку и реализацию для трех основных целей: сегментацию профиля силы для получения активных периодов использования инструмента с использованием TU-Net, классификацию хирургических навыков на экспертов и новичков и распознавание хирургических задач на две основные категории: коагуляция и не -Коагуляция с использованием архитектуры глубокого обучения FTFIT. Окончательный отчет для хирурга представлял собой информационную панель, содержащую признанные сегменты приложения силы, распределенные по классам навыков и задач, а также диаграммы показателей производительности по сравнению с хирургами экспертного уровня. Использовалась запись данных операционной в течение > 161 часа, содержащая примерно 3,6 тыс. периодов работы инструмента. В результате моделирования были получены взвешенный показатель F1 = 0,95 и AUC = 0,99 для сегментации профиля силы с использованием TU-Net, взвешенный показатель F1 = 0,71 и AUC = 0,81 для классификации хирургических навыков, а также взвешенный показатель F1 = 0,82 и AUC = 0,89 для Распознавание хирургических задач с использованием набора созданных вручную функций, дополненных нейронной сетью FTFIT. В этом исследовании представлен новый модуль машинного обучения в облаке, позволяющий создать комплексную платформу для интраоперационного мониторинга и оценки хирургических результатов. Доступ через безопасное приложение для профессионального подключения создает парадигму обучения, основанного на данных.

Включение искусственного интеллекта (ИИ), основанного на подключении к облаку, для агрегирования данных в операционных и между ними, предлагает объективный инструмент для систематической обратной связи по оптимальному использованию медицинских устройств и систем. Это важно для повышения безопасности хирургических операций и использования цифровых инноваций для стандартизации ухода за пациентами. Внедрение ИИ с помощью хирургических устройств с датчиками и данными может превратить традиционное и субъективное обучение, основанное на ученичестве, в объективную и не пугающую парадигму1. Контекстно-зависимая помощь путем распознавания хирургической фазы может еще больше облегчить и улучшить процесс обучения за счет конкретной аналитической обратной связи о ходе хирургического вмешательства2. В качестве нового рубежа в хирургическом обучении наука о хирургических данных может быть определена с помощью новых механизмов, включающих сбор, структурирование, анализ и моделирование таких данных3,4.

Алгоритмы машинного обучения в хирургии, хотя и на ранней стадии, могут улучшить помощь при различных патологиях, включая эпилепсию, опухоли головного мозга, поражения позвоночника и цереброваскулярные расстройства5. Данные, полученные от датчиков, можно использовать для точного определения ловкости и технических навыков хирурга, используя значимые характеристики, полученные из хирургических маневров и рабочего процесса. Это, в свою очередь, поможет обеспечить количественный показатель обратной связи в течение периода окончания хирургического обучения. В прошлом движение инструментов использовалось как кинематическая мера производительности и распознавания навыков в лабораторных условиях6,7,8. Для оценки навыков была внедрена система отслеживания инструментов на основе глубокого обучения, основанная на хирургических видео, которая соответствует ручным показателям объективной структурированной оценки технических навыков (OSATS) и глобальной оценочной оценки навыков робототехники (GEARS)9. Оценку хирургических навыков и навигацию в колоректальной хирургии можно облегчить путем распознавания типа щипцов и объектов на видеоданных10. Кроме того, использование характеристик движения, извлеченных из анализа видеовременных паттернов, привело к категоризации и анализу хирургических действий11,12. Также был опубликован всесторонний обзор литературы по анализу хирургических навыков13. В рукописях, включенных в этот обзор, использовались кинематические (61%) и видео (29%) данные с ограниченным вниманием к силам, действующим между инструментом и тканью14,15. Используемые здесь модели ML: искусственные нейронные сети (ANN), скрытые марковские модели (HMM) и машины опорных векторов (SVM), все с точностью более 80%. Их результаты, однако, были ограничены данными о реальной хирургии (12%), а также отсутствием рамочного приложения для предоставления хирургам интерпретируемой и клинически значимой обратной связи.