Intraoperative surgical navigation as a precision medicine tool in sinonasal and craniofacial oncologic surgery
Notice bibliographique
Résumé
INTRODUCTION: Recent evidence supports the efficacy of surgical navigation (SN) in improving outcomes of sinonasal and craniofacial oncologic surgery. This study aims to demonstrate the utility of SN as a tool for integrating surgical, radiologic, and pathologic information. Additionally, a system for recording and mapping biopsy samples has been devised to facilitate sharing of spatial information. MATERIALS AND METHODS: SN was utilized for biopsy mapping in 10 sinonasal/craniofacial oncologic procedures. Twenty-five raters with experience in anterior skull base oncology were interviewed to identify 15 anatomical structures in preoperative imaging, relying on topographical descriptions and surgical video clips. The difference in the localization of anatomical structures by raters was analyzed, using the SN-mapped coordinates as a reference (this difference was defined as spatial error). RESULTS: The analysis revealed an average spatial error of 9.0 mm (95 % confidence interval: 8.3-9.6 mm), with significant differences between surgeons and radiation oncologists (7.9 mm vs 12.5 mm, respectively, p < 0.0001). The proposed model for transferring SN-mapped coordinates can serve as a tool for consultation in multidisciplinary discussions and radiotherapy planning. CONCLUSIONS: The current standard method to evaluate disease extension and margin status is associated with a spatial error approaching 1 cm, which could affect treatment precision and outcomes. The study emphasizes the potential of SN in increasing spatial precision and information sharing. Further research is needed to incorporate this method into a multidisciplinary workflow and measure its impact on outcomes.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 tête enseignante, 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 ».