SP2.1.1Continuous Monitoring and Assessment of Surgical Technical Skills Using Deep Learning
Notice bibliographique
Résumé
Abstract Aims Excellent surgical technical skills are of paramount importance to perform surgical procedures, safely and efficiently. Virtual reality surgical simulators can both simulate real operations while providing standardized, risk-free surgical hands-on experience. The integration of AI (artificial intelligence) and virtual reality simulators provides opportunities to carry out comprehensive continuous assessments of surgical performance. We developed and tested a deep learning algorithm which can continuously monitor and assess surgical bimanual performance on virtual reality surgical simulators. Methods Fifty participants from four expertise levels (14 experts/neurosurgeons, 14 senior residents, 10 junior residents, 12 medical students) performed a simulated subpial tumor resection 5 times and a complex simulated brain tumor operation once on the NeuroVR platform. Participants were asked to remove the tumors completely while minimizing bleeding and damage to surrounding tissues employing a simulated ultrasonic aspirator and bipolar forceps. A deep neural network continually tracked the surgical performance utilizing 16 performance metrics generated every 0.2-seconds. Results The deep neural network was successfully trained using neurosurgeons and medical students’ data, learning the composites of expertise comparing high and lower skill levels. The trained algorithm was able to score the technical skills of individuals continuously at 0.2-second intervals. Statistically significant differences in average scores were identified between the 4 groups. Conclusions AI-powered surgical simulators provide continuous assessment of bimanual technical skills during surgery which may further define the composites necessary to train surgical expertise. To our knowledge, this is the first attempt in surgery to continuously assess surgical technical skills using deep learning.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».