Quality of laparoscopic camera navigation in robot‐assisted versus conventional laparoscopic surgery for rectal cancer: An analysis of surgical videos through a video processing computer software
Notice bibliographique
Résumé
BACKGROUND: To compare laparoscopic camera navigation (LCN) quality between robot-assisted laparoscopic surgery (RALS) and conventional laparoscopic surgery (CLS). METHODS: 20 recordings were selected by propensity score matching and subjected to Python® software to generate single frames at one second intervals. For each frame, the pixel where the camera should be centred, based on instrument position, current action (dissection/haemostasis/traction) in the frame, was detected. LCN quality was reviewed by two independent surgeons to evaluate erroneous LCN. RESULTS: RALS had higher incidence of centred views (83.1 ± 4.02% vs. 76.0 ± 2.38%, p < 0.05) and a shorter distance between actual and optimal frame centres (123.3 ± 9.8 vs. 144.8 ± 13.9, p < 0.05) compared to CLS. Erroneous camera navigations were more frequent in CLS regarding total time of horizontal alignment failure (2.1 ± 2.2 vs. 6.0 ± 5.4 min, p = 0.063) and number of excessive zoom-in visualization (0.1 ± 0.3 vs. 1.9 ± 1.4, p = 0.003). CONCLUSIONS: RALS provided higher LCN quality than did CLS, emphasising the benefits of a surgeon-controlled view.
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 | 0,012 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».