Utilizing AI and EEG to assess expertise and stress in virtual neurosurgical performance
Bibliographic record
Abstract
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
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".