Utilizing AI and EEG to assess expertise and stress in virtual neurosurgical performance
Notice bibliographique
Résumé
Contexte : L'enseignement de la neurochirurgie a été facilité ces dernières années par des simulateurs chirurgicaux en réalité virtuelle, qui offrent un environnement de formation sûr aux stagiaires. L'électroencéphalographie (EEG) a été utilisée pour évaluer l'activité électrique du cerveau pendant la performance chirurgicale. Lorsqu'elles sont divisées en différentes bandes de fréquences, les données EEG se prêtent bien à l'analyse par apprentissage automatique, une branche de l'intelligence artificielle. Bien que la classification de l'apprentissage automatique soit traditionnellement difficile à interpréter, les progrès des techniques d'interprétabilité des modèles, telles que celles utilisant les valeurs de Shapley, permettent de déterminer l'importance de chaque métrique d'entrée pour la classification globale du modèle. Bien que l'EEG ait été largement utilisé pour explorer l'expertise dans la formation par simulation sportive et aéronautique, il n'a pas encore été utilisé pour classer l'expertise chirurgicale. Objectif : Les objectifs de cette étude étaient (a) de développer un modèle d'apprentissage automatique pour différencier avec précision les individus qualifiés et moins qualifiés en utilisant les données de performance EEG enregistrées lors d'une tâche de chirurgie simulée, (b) d'explorer l'importance relative des bandes passantes EEG sélectionnées expertise, et (c) pour mieux comprendre les différences dans les bandes EEG entre les individus qualifiés et moins qualifiés. Hypothèse : Les enregistrements EEG lors d'une tâche de chirurgie en réalité virtuelle prédisent avec précision le niveau d'expertise de l'interprète. Méthodes : Vingt-et-un participants ont effectué trois résections simulées de neuroblastome sur la plateforme NeuroVR™ (CAE Healthcare, Montréal, Canada) tandis que les données EEG étaient enregistrées simultanément. Les participants ont été divisés en 2 groupes. Le groupe qualifié était composé de cinq neurochirurgiens et de cinq résidents en neurochirurgie (années d'études supérieures 4-6) et le groupe moins qualifié était composé de six résidents juniors (années d'études supérieures 1-3) et de cinq étudiants en médecine. Un total de 13 métriques de bandes de fréquences et de rapports EEG (par exemple, thêta, alpha, bêta, rapport thêta/bêta) ont été générés. Des modèles d'apprentissage automatique ont été formés à l'aide d'une activité EEG pour différencier les groupes qualifiés et moins qualifiés. L'importance relative de chaque mesure EEG a été calculée à l'aide des valeurs de Shapley. Résultats : Sept modèles ont été entraînés avec le réseau de neurones artificiels atteignant une précision de test de 100 % (AUROC = 1,0). L'interprétation du modèle via l'analyse de Shapley a identifié un faible alpha (8 à 10 Hz) comme la mesure la plus importante pour classer l'expertise. Les chirurgiens qualifiés ont affiché un alpha faible (p = 0,044) plus élevé que le groupe moins qualifié. De plus, le bêta (13-30 Hz), le bêta 1 (15-18 Hz), le bêta 2 (19-22 Hz) et le rapport thêta/bêta (TBR) se sont avérés être des métriques importantes pour discerner l'expertise. Les chirurgiens qualifiés ont montré un TBR significativement plus faible (p = 0,048) et des bêta, bêta 1 et bêta 2 significativement plus élevés (p = 0,049, 0,014, 0,015 respectivement). Conclusion : Les algorithmes d'apprentissage automatique différencient avec succès l'activité EEG entre les groupes qualifiés et moins qualifiés au cours d'une tâche chirurgicale bimanuelle simulée. De plus, notre méthodologie aide à comprendre quels composants de l'EEG contribuent à l'expertise. Les résultats de cette étude peuvent être utilisés pour éclairer les futures recherches sur l'enseignement des compétences chirurgicales et développer des systèmes de tutorat intelligents pour fournir aux stagiaires un neurofeedback sur la simulation chirurgicale en réalité virtuelle
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».