MétaCan
Menu
Retour à la cohorte
Enregistrement W1748064802 · doi:10.1002/rcs.1568

Forces exerted during microneurosurgery: a cadaver study

2014· article· en· W1748064802 sur OpenAlexaff
Hani J. Marcus, Kourosh Zareinia, Liu Shi Gan, Fang Yang, Sanju Lama, Guang‐Zhong Yang, Garnette R. Sutherland

Notice bibliographique

RevueInternational Journal of Medical Robotics and Computer Assisted Surgery · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueSoft Robotics and Applications
Établissements canadiensUniversity of Calgary
Organismes subventionnairesImperial College LondonNational Institute for Health and Care ResearchWellcome TrustWellcome
Mots-clésCadaverMagnificationDissection (medical)MicrosurgeryRoboticsNeurosurgeryMedicineExtracorporealComputer scienceSurgeryAnatomyPhysical medicine and rehabilitationRobotArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: A prerequisite for the successful design and use of robots in neurosurgery is knowledge of the forces exerted by surgeons during neurosurgical procedures. The aim of the present cadaver study was to measure the surgical instrument forces exerted during microneurosurgery. METHODS: An experimental apparatus was set up consisting of a platform for human cadaver brains, a Leica microscope to provide illumination and magnification, and a Quanser 6 Degrees-Of-Freedom Telepresence System for tissue manipulation and force measurements. RESULTS: The measured forces varied significantly depending on the region of the brain (P = 0.016) and the maneuver performed (P < 0.0001). Moreover, blunt arachnoid dissection was associated with greater force exertion than sharp dissection (0.22 N vs. 0.03 N; P = 0.001). CONCLUSIONS: The forces necessary to manipulate brain tissue were surprisingly low and varied depending on the anatomical structure being manipulated, and the maneuver performed. Knowledge of such forces could well increase the safety of microsurgery.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,013
Tête enseignante GPT0,241
Écart entre enseignants0,228 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations53
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Medical Robotics and Computer Assisted SurgeryMême sujetSoft Robotics and ApplicationsTravaux en français237 207