Augmented reality and human factors regarding the neurosurgical operating room workflow
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
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.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle