MétaCan
Menu
Retour à la cohorte
Enregistrement W4416726304 · doi:10.1016/j.xops.2025.101014

Quantitative Analysis of Instrument Motion Paths in Cataract Surgery across a Resident’s Training

2025· article· en· W4416726304 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.

Notice bibliographique

RevueOphthalmology Science · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueIntraocular Surgery and Lenses
Établissements canadiensHealth Sciences CentreSunnybrook Health Science CentrePrism Eye InstituteUniversity of Toronto
Organismes subventionnairesUniversity of TorontoBoehringer IngelheimBiogen
Mots-clésCataract surgeryQuantitative analysis (chemistry)Motion (physics)Motion analysisTraining (meteorology)Quantitative assessment

Résumé

récupéré en direct d'OpenAlex

Purpose To objectively quantify the motion paths of surgical instruments during cataract surgery across a resident's training, identifying patterns of skill acquisition and proficiency development. Design An n = 1 panel study. Subjects One ophthalmology resident performing cataract surgery. Methods One hundred cataract surgery videos performed by a single resident from their sixth to 760th case were collected. Advanced motion tracking software (Computer Vision Annotation Tool) was utilized to annotate and track the trajectories of 11 surgical instruments on a frame-by-frame basis. Monotonic trends were assessed using the Mann–Kendall test and Theil–Sen slope estimation, with Spearman correlation measuring the association between case number and performance metric values. Pettitt change-point analysis identified significant transitions in the resident's skill progression. Main Outcome Measures Six key motion parameters, including total path length, average velocity, average acceleration, root mean square jerk, average angular change, and workspace coverage, were extracted for each instrument in each video. Results All 11 instruments demonstrated statistically significant reductions in ≥1 motion parameter. Path length consistently decreased across training, with the largest reductions seen in the cannula (–11.8%; 95% confidence interval [CI], –17.4% to –6.8%; P < 0.001), phacoemulsification handpiece (–11.5%; 95% CI, –14.1% to –8.7%; P < 0.001), and cystotome (–8.9%; 95% CI, –11.8% to –5.9%; P < 0.001). The intraocular lens inserter showed the greatest reduction in average angular change of 3.0% (–1.70°) (95% CI, –3.9% to –2.0%; P < 0.001). Pettitt analysis demonstrated significant shifts in surgical efficiency at around case 300 for most instruments, although improvements in certain advanced tasks (e.g., lens implantation) emerged later. Conclusions This large-scale, frame-by-frame motion tracking study revealed distinct instrument- and task-specific learning curves in cataract surgery, highlighting progressive changes in motion metrics over time. A significant shift at approximately case 300 marked a milestone in the resident's instrument use patterns. These findings underscore the potential of objective, video-based motion tracking analytics to provide data-driven resident feedback, guiding targeted instruction and standardizing cataract surgery training. Financial Disclosure(s) Proprietary or commercial disclosure may be found in the Footnotes and Disclosures at the end of this article.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,320

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,004
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,086
Tête enseignante GPT0,396
Écart entre enseignants0,310 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle