MétaCan
Menu
Retour à la cohorte
Enregistrement W3108814846 · doi:10.1109/tmrb.2020.3041897

Development of a Steerable Miniature Instrument to Manage Internal Carotid Artery Injury in Endoscopic Transsphenoidal Surgery Simulation

2020· article· en· W3108814846 sur OpenAlexafffund
Leon Budde, Nicole Wing Lam Hon, Jongwoo Kim, Ian Witterick, Paolo Campisi, Yvonne Chan, Vito Forte, James M. Drake, Thomas Looi

Notice bibliographique

RevueIEEE Transactions on Medical Robotics and Bionics · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueSoft Robotics and Applications
Établissements canadiensSickKids FoundationSinai Health SystemHospital for Sick ChildrenUniversity of Toronto
Organismes subventionnairesHospital for Sick ChildrenUniversity of Toronto
Mots-clésInternal carotid arteryVisualizationSimulationComputer scienceBiomedical engineeringSurgeryMedicineComputer visionArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Endoscopic transsphenoidal surgery is challenged by restricted visualization and dexterity, and the risk of internal carotid artery (ICA) injury. This study pursued two objectives: Development of a steerable, miniature multi-tool combining visualization and suction/irrigation, and development of a simulation model for ICA injury. The multi-tool featured a two degrees of freedom notched nitinol wrist controlled by a joystick. A theoretical range of motion of 90 degrees was intended. The inner lumen of the wrist was designed for suction and irrigation, a miniature camera attached to the tip would provide visualization. During testing, slack in the actuation cables affected the tools workspace and control. A maximum force of 0.45 N was applied through the tip. The simulation model was manufactured from medical grade ABS. It featured a removable nose cartridge for a cost efficient replacement method. A peristaltic pump and a needle tip were used for ICA injury simulation. For future evaluation of the model, a 5 point Likert scale was developed. Despite successful tests, some limitations remained. The tool was affected by slack and did not include illumination. No mucosal layer was included in the simulation model and haemostasis had to be assessed manually.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,238
Écart entre enseignants0,219 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Medical Robotics and BionicsMême sujetSoft Robotics and ApplicationsTravaux en français237 207