Proof of Concept Study: Investigating Force Metrics of an Intracorporeal Suturing Knot Task
Notice bibliographique
Résumé
BACKGROUND: Mastering proper force manipulation in minimally invasive surgery can take many hours of practice and training. Improper force control can lead to necrosis, infection, and scarring. A force-sensing skin (FSS) has been developed, which measures forces at the distal end of minimal access surgeries' (MAS) instruments without altering the instrument's structural integrity or the surgical workflow, and acts as a minimally disruptive add-on to any MAS instrument. METHODS: A proof of concept study was conducted using a FSS-equipped 5 mm straight-tip needle holder. Participants (n = 19: 3 novices, 11 fellows, and 5 staff surgeons) performed one intracorporeal suturing knot task (ISKT). Using participant task video footage, each participant's two puncture forces (each wall of the Penrose drain) and three knot tightening forces were measured. Force metrics from the three expertise groups were compared using analysis of variance (ANOVA) and Tukey's honest significance test with statistical significance assessed at P < .05. RESULTS: Preliminary ISKT force metric data showed differences between novices and more experienced fellows and surgeons. Of the five stages of the ISKT evaluated, the first puncture force of the Penrose drain seemed to best reflect the difference in skill among participants. The study demonstrated ISKT knot tightening and puncture force ranges across three expertise levels (novices, surgical fellows, and staff surgeons) of 0.586 to 6.089 newtons (N) and 0.852 to 2.915 N, respectively. CONCLUSION: The investigation of force metrics is important for the implementation of future force feedback systems as it can provide real-time information to surgeons in training and the operating theater.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».