Using augmented reality to guide bone conduction device implantation
Notice bibliographique
Résumé
Exact placement of bone conduction implants requires avoidance of critical structures. Existing guidance technologies for intraoperative placement have lacked widespread adoption given accessibility challenges and significant cognitive loading. The purpose of this study is to examine the application of augmented reality (AR) guided surgery on accuracy, duration, and ease on bone conduction implantation. Five surgeons surgically implanted two different types of conduction implants on cadaveric specimens with and without AR projection. Pre- and postoperative computer tomography scans were superimposed to calculate centre-to-centre distances and angular accuracies. Wilcoxon signed-rank testing was used to compare centre-to-centre (C-C) and angular accuracies between the control and experimental arms. Additionally, projection accuracy was derived from the distance between the bony fiducials and the projected fiducials using image guidance coordinates. Both operative time (4.3 ± 1.2 min. vs. 6.6 ± 3.5 min., p = 0.030) and centre-to-centre distances surgery (1.9 ± 1.6 mm vs. 9.0 ± 5.3 mm, p < 0.001) were significantly less in augmented reality guided surgery. The difference in angular accuracy, however, was not significantly different. The overall average distance between the bony fiducial markings and the AR projected fiducials was 1.7 ± 0.6 mm. With direct intraoperative reference, AR-guided surgery enhances bone conduction implant placement while reduces operative time when compared to conventional surgical planning.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».