Can Microinstrument Motion Metrics of Distance, Speed, and Acceleration Indicate Surgical Task Complexity? An AI-Driven Study
Notice bibliographique
Résumé
Objectifying the quality of microsurgical technique is both crucial and challenging. The aim of this study was to evaluate whether microinstrument motion metricscan reflect the complexity of microsurgical tasks. The laboratory experiment involved 13 right-handed neurosurgeons tasked with using microsurgical scissors to cut a white thread at a spot marked by a purple dot under the microscope. Each participant completed the task under four consecutive conditions: with or without wrist stabilization on a support, both before and after muscle load. Using the promptable transformer model, we segmented microsurgical instruments from video recordings and extracted their skeletons and centers of mass. From the time series of the center of mass X and Y coordinates, we derived seven additional time series for velocity, acceleration, and the jerk along the X and Y axes, as well as the smoothness metric. We generated thirty-three statistical features for each time series using the feasts R package. These motion features were then compared pairwise across various tasks. Of the 1782 tests conducted, 164 (or 9.2%) revealed statistically significant differences in 66 motion features. Our results provide a proof-of-concept, showing that AI-derived microsurgical motion features can reflect the complexity of conditions encountered by the microsurgeon during surgery.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».