Assessing Bimanual Performance in Brain Tumor Resection With NeuroTouch, a Virtual Reality Simulator
Notice bibliographique
Résumé
BACKGROUND: Validated procedures to objectively measure neurosurgical bimanual psychomotor skills are unavailable. The NeuroTouch simulator provides metrics to determine bimanual performance, but validation is essential before implementation of this platform into neurosurgical training, assessment, and curriculum development. OBJECTIVE: To develop, evaluate, and validate neurosurgical bimanual performance metrics for resection of simulated brain tumors with NeuroTouch. METHODS: Bimanual resection of 8 simulated brain tumors with differing color, stiffness, and border complexity was evaluated. Metrics assessed included blood loss, tumor percentage resected, total simulated normal brain volume removed, total tip path lengths, maximum and sum of forces used by instruments, efficiency index, ultrasonic aspirator path length index, coordination index, and ultrasonic aspirator bimanual forces ratio. Six neurosurgeons and 12 residents (6 senior and 6 junior) were evaluated. RESULTS: Increasing tumor complexity impaired resident bimanual performance significantly more than neurosurgeons. Operating on black vs glioma-colored tumors resulted in significantly higher blood loss and lower tumor percentage, whereas altering tactile cues from hard to soft decreased resident tumor resection. Regardless of tumor complexity, significant differences were found between neurosurgeons, senior residents, and junior residents in efficiency index and ultrasonic aspirator path length index. Ultrasonic aspirator bimanual force ratio outlined significant differences between senior and junior residents, whereas coordination index demonstrated significant differences between junior residents and neurosurgeons. CONCLUSION: The NeuroTouch platform incorporating the simulated scenarios and metrics used differentiates novice from expert neurosurgical performance, demonstrating NeuroTouch face, content, and construct validity and the possibility of developing brain tumor resection proficiency performance benchmarks.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».