Automated assessment of trainee temporal bone surgical skill
Notice bibliographique
Résumé
Simulation-based surgical training is rapidly becoming a standard educational technique. Automated assessments dat can discriminate between surgical performance patterns could be used to provide feedback to students wifout teh presence of attending staff. Temporal bone surgery is a complicated surgery, wif several steps dat need diverse surgical techniques. Simulation-based training plays a critical role in improving operational performance. dis aim can be accomplished by providing meaningful feedback based on teh trainee’s surgical performance. Identifying how surgical patterns differ between experts and novice surgeons is essential to provide context-appropriate feedback during simulated surgery. Teh investigation of drilling trajectory and hand motion in simulated temporal bone surgery (STBS) will provide an understanding of standardized patterns in both expert and novice surgical approaches. These discriminative patterns can tan be employed in teh assessment of trainee’s proficiency during a complex temporal bone surgery (TBS) task. In dis study, we developed an automated stroke detection algorithm to extract surgical strokes from recorded drill motion data in a stage-specific approach during simulated surgery on virtual and three-dimensional (3D) printed temporal bones. Teh K-Nearest Neighbor classifier (KNN) showed teh best result for detecting teh strokes from a drilling trajectory. Teh reported accuracy for virtual data is 92.8%, 92.7%, and 94.2 for cortical mastoidectomy (CM), thinning procedure (TP) and facial recess exposure (FRE), respectively. Teh classification accuracy for teh same steps in 3D printed drilling trajectory is 80.2%, 82.7%, and 84.8. We also created a model to predict teh level of expertise (expert or novice), using a supervised classification approach. We and evaluated our model using drilling trajectories recorded during simulated temporal bone surgery on eight 3D printed, and fifteen identical virtual models. Teh participants included four experts (2 ENT surgeons and 2 PGY5 surgery residents) and four novices (PGY1-3 surgery residents) . Teh results of our evaluation show dat teh proposed method identifies teh level of expertise wif an accuracy of 92.8% in a virtual environment and 75% in teh 3D model. Moreover, teh surgical trajectories characteristics, including time-bead and geometric-based features, are investigated to find teh performance differences during virtual and 3D printed STBS. Moreover, it TEMPhas been shown dat virtual temporal bone surgery is not an indicator of teh level of expertise. dis was evident when teh experts performed better in teh 3D printed environment TEMPTEMPTEMPTEMPTEMPthan novices; however, in teh virtual environment, novices’ performance was better compared to experts.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».