Neurosurgical burr hole placement using the Microsoft HoloLens
Notice bibliographique
Résumé
PURPOSE: Tracked navigation systems are generally impractical in bedside neurosurgical procedures, such as a twist-drill crainiostomy for the removal of a subdural hematoma, where the use of navigation could optimize the placement of the drill in relation to the underlying fluid. We use the Microsoft HoloLens to display a hologram floating in the patient’s head to mark a burr hole on the skull. METHODS: A 3D model of the head, hematoma and burr hole is created from CT and imported to the HoloLens. The hologram is interactively registered to the patient and the burr hole is marked on the skull. 3D Slicer, Unity, and Visual Studio were used for software development. The system was tested by 6 inexperienced and 1 experienced users. They each performed 6 registrations on phantoms with fiducial markers placed at 3 plausible burr hole locations on each side of the head. Registration accuracy was determined by measuring the distance between the holographic and physical markers. RESULTS: Inexperienced users placed 98% of the markers within the clinically acceptable range of 10 mm in an average time of 4:46 min. The experienced user placed 100% of the markers within the acceptable range in an average time of 2:52 min. CONCLUSION: It is feasible to mark a neurosurgical burr hole location with clinically acceptable accuracy using the Microsoft HoloLens, within an acceptable length of time. This technology may also prove useful for procedures that require higher accuracy of drill location and drain trajectory such as the placement of external ventricular drains.
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 | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».