Augmented reality and human factors regarding the neurosurgical operating room workflow
Notice bibliographique
Résumé
Augmented reality (AR) continues to be heavily studied as a research topic for potential medical use. The goal of seeing the patient’s anatomy below the surface of the human body has always been thought of as the ideal surgical navigation tool. Rather than observing medical imaging, such as computed tomography (CT) or magnetic Resonance (MR) images on a monitor, hospital personnel would be able to see patient specific pathologies through Augmented Reality (AR) glasses. Neurosurgery has commonly been a field of choice for AR integration because of the many needs that can potentially be met. Understanding AR in the neurosurgical Operating Room (OR) does pose some benefits well as concern in terms of human computer interaction (HCI). One of the core concepts of HCI is the idea of user-centered design. While one aims to create an intuitive interface for the user-group, introducing AR into the OR can increase cognitive overload and inattentional blindness if executed improperly without considering the full use-case and all stakeholders. A common application of neuro-navigation is in spinal surgery, which, while incredibly accurate, disrupts OR workflow. These devices drastically improve patient outcomes yet are seldom employed because of these disruptions. HCI concepts can better integrate AR into the OR to solve pitfalls observed in modern neuro-navigation, and gives designers, engineers and surgeons the necessary tools to develop AR solutions. Our goal is to thoroughly analyze the OR workflow such that AR can be effectively incorporated.
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 | 0,003 | 0,015 |
| 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 | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».