Human versus machine: are neurointerventionists more precise in manual or robotically assisted procedures?
Notice bibliographique
Résumé
BACKGROUND: Robotic neurointerventions have demonstrated promising initial clinical results. Claims of enhanced precision during robotic navigation have been reported, but objective quantification of such precision is limited. Precision during intracranial navigation and device deployment is crucial in neurovascular interventions, and lack of precision can lead to intraprocedural complications. This study compared quantitative metrics of precision in manual and robotic procedures using a virtual simulator. METHODS: Using three different simulated aneurysm procedures with different levels of difficulty (easy, medium, and hard), 12 operators with different levels of experience were assigned a defined task for each case. Each procedure was performed both manually and under robotic assistance. Precision was assessed using the length of translations and the total degree of rotations of the microwire and microcatheter needed to complete the assigned tasks, as well as recorded safety metrics. Results were compared between the manual and robotic groups. RESULTS: We analyzed 78 procedures (robotic, n=34; manual, n=34) performed by 12 operators with various levels of neurointerventional surgical experience (high, n=5; low, n=7). For the difficult case, operators used significantly less microwire translations when operating with robotic assistance (38.7 cm vs 108.4 cm, P=0.023). There were no significant differences for the easy and medium cases. Safety metrics and procedural times were not significant different. CONCLUSIONS: Operators demonstrated increased precision during microwire navigation when using robotic assistance to navigate a difficult aneurysm in a controlled simulated experimental set-up compared with manual navigation.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».