16. Optimizing Neurosurgical Drill Placement using the Microsoft HoloLens
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose: Tracked navigation systems require large carts of equipment, specialized technicians, and are impractical in bedside neurosurgical procedures. For bedside procedures like an opening of the skull for removing pressure caused by internal bleeding, navigation could improve the accuracy of the drill placement. We use the Microsoft HoloLens to display a hologram floating in the patient’s head to mark a drilling location on the skull. The accuracy of this placement is assessed to determine the feasibility of using the HoloLens to mark a drilling location within a clinically acceptable range.
 Methods: A 3D model of the head is created from CT scans and imported to the HoloLens. The hologram is interactively registered to the patient and the drilling location is marked on the skull (Figure 1). 3DSlicer, Unity, and Visual Studio were used for implementing the software. The system was tested by 7 users. They each performed 6 registrations on phantoms with markers placed at 3 plausible drilling locations. Registration accuracy was determined by measuring the distance between the holographic and physical markers. 
 Results: Users placed 98% of the markers within the clinically acceptable range of 10 mm in an average time of 4:46 min. 
 Conclusion: It is feasible to mark a neurosurgical drilling 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 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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle