Artificial Intelligence in Surgical Training and Applications to Otolaryngology: A Scoping Review
Notice bibliographique
Résumé
OBJECTIVE: Traditional evaluations of surgical skills in otolaryngology rely heavily on subjective assessments, which are prone to variability and bias. This study aims to examine advancements in artificial intelligence (AI) applications for surgical skills evaluation with a focus on their potential to enhance otolaryngology education. DATA SOURCES: A systematic search of MEDLINE, Embase, Cochrane Database of Systematic Reviews, and Google Scholar was conducted using search terms related to AI and surgical skills evaluation. REVIEW METHODS: A structured review of the literature up to November 2024 was performed. Two independent reviewers identified and analyzed relevant studies. Reference lists of selected articles were also screened to ensure comprehensiveness. RESULTS: A total of 34 studies met inclusion criteria. Of these, 56% (19/34) evaluated basic surgical tasks, such as hand-tying, open suturing, and robotic or laparoscopic procedures using bench-top simulators, while 44% (15/34) focused on specific surgical procedures across specialties, including otolaryngology (mastoidectomy, septoplasty, endoscopic sinus surgery, endoscopic carotid injury management), neurosurgery, urology, and general surgery. AI methods applied included deep learning, machine learning, and computer vision techniques. Classification accuracy ranged from 66% to 100% for kinematic, motion, and force data, and from 60% to 96% for video-based analyses of surgical skills. CONCLUSION: AI-driven assessment tools hold significant promise for otolaryngology surgical education. Automated feedback mechanisms can provide trainees with objective, data-driven insights into their performance, enabling enhanced benchmarking and accelerating learning curves. By adopting AI, otolaryngology has the potential to advance its training methodologies and improve outcomes for both trainees and patients. LEVEL OF EVIDENCE: N/A.
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 | 0,010 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,017 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».