P.140 Development and predictive validation of an intelligent surgical bimanual skills continuous assessment system
Notice bibliographique
Résumé
Background: Surgeons’ bimanual dexterity may correlate with the surgical outcome. Continuous assessment of psychomotor performance enables action-oriented feedback and error avoidance guidance. We outline an artificial intelligence (AI) application to continuously assess surgical bimanual skills and its predictive validation on surgical trainee performance throughout a neurosurgery residency program. Methods: Participants (n=50, 14 experts/neurosurgeons, 14 senior residents, 10 junior residents, 12 novices/medical students) performed two simulated subpial tumour resections a total of 300 times. A deep neural network was developed using expert/neurosurgeon and novice/medical student data to score bimanual performance at 0.2-second intervals between a score of 1.00 and -1.00. An average score was calculated for each task. Results: The average performance score differentiated among four expertise levels, p<.001. Neurosurgeons scored significantly higher than senior residents (p=.045) and junior residents scored significantly higher than medical students (p=.04). The intelligent system also differentiated between senior and junior trainee levels (p=.004). The performance score linearly correlated with resident year of neurosurgical training (adjusted R2=27.7%). Conclusions: The AI-powered intelligent system outlined is the first expert surgeon-data-based technical skills continuous assessment system, with predictive validity throughout a neurosurgical residency program. Intelligent systems may aid in the competency-based approach in surgery by accurately assessing trainee skills.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».