Localized Muscular Fatigue in Robotic-Assisted Laparoscopic Surgery: Predictive Modeling Study
Notice bibliographique
Résumé
Background Robotic-assisted surgery (RAS) has grown rapidly in recent decades, and several RAS procedures have become the standard. However, the physical and mental demands of minimally invasive surgery (MIS) techniques can lead to ergonomic shortcomings for surgeons. Advances in wearable technology and artificial intelligence favor the development of innovative solutions to analyze and improve ergonomic conditions during surgical practice. Objective The main objective is the development and validation of a predictive model of localized muscle fatigue from electromyography (EMG) data during conventional laparoscopic surgery (LAP) and RAS. Methods Four different tasks were performed on LAP and RAS: dissection, labyrinth, peg transfer, and suturing. A wireless EMG sensor system was used to record muscle activity. Joint analysis of the spectrum and analysis graphs was used to evaluate the localized muscle fatigue. A dataset was generated for each task as a function of surgeons’ expertise level and surgical type. Each dataset was scaled as preprocessing and divided into 2 datasets: 80% for training and 20% for testing. Multiple linear regression (MLR) and multilayer perceptron (MLP) were applied as predictive techniques and validated on all test datasets. R2 coefficient and root-mean-square error were used to measure the accuracy of the models. Results RAS showed less muscle fatigue for novice surgeons compared to LAP practice, although it was higher for expert surgeons. The predictive model achieved satisfactory R2 and root-mean-square error coefficients for all parameters extracted from the EMG signal, predicting with high accuracy localized muscle fatigue values. The MLR predictive model demonstrated superior performance relative to the MLP model. Conclusions Wearable technology and artificial intelligence techniques have been successfully applied for the development and validation of a novel predictive model based on MLR and MLP to predict localized muscle fatigue in MIS.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».