Analysis of Energy-Based Metrics for Laparoscopic Skills Assessment
Notice bibliographique
Résumé
OBJECTIVE: The complexity of minimally invasive surgery (MIS) requires that trainees practice MIS skills in numerous training sessions. The goal of these training sessions is to learn how to move the instruments smoothly without damaging the surrounding tissue and achieving operative tasks with accuracy. In order to enhance the efficiency of these training sessions, the proficiency of the trainees should be assessed using an objective assessment method. Several performance metrics have been proposed and analyzed for MIS tasks. The differentiation of various levels of expertise is limited without the presence of an external evaluator. METHODS: In this study, novel objective performance metrics are proposed based on mechanical energy expenditure and work. The three components of these metrics are potential energy, kinetic energy, and work. These components are optimally combined through both one-step and two-step methods. Evaluation of these metrics is accomplished for suturing and knot-tying tasks based on the performance of 30 subjects across four levels of experience. RESULTS: The results of this study show that the one-step combined metric provides 47 and 60 accuracy in determining the level of expertise of subjects for the suturing and knot-tying tasks, respectively. The two-step combined metric provided 67 accuracy for both of the tasks studied. CONCLUSION: The results indicate that energy expenditure is a useful metric for developing objective and efficient assessment methods. SIGNIFICANCE: These metrics can be used to evaluate and determine the proficiency levels of trainees, provide feedback and, consequently, enhance surgical simulators.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».