blog

Jun 23, 2024

Ferramenta

Scientific Reports volume 13, Artigo número: 9591 (2023) Citar este artigo 573 Acessos 1 Detalhes da Altmetric Metrics A quantificação e compreensão de dados cirúrgicos expõem padrões sutis em tarefas e

Scientific Reports volume 13, Artigo número: 9591 (2023) Citar este artigo

573 Acessos

1 Altmétrico

Detalhes das métricas

A quantificação e compreensão de dados cirúrgicos expõem padrões sutis em tarefas e desempenho. Habilitar dispositivos cirúrgicos com inteligência artificial proporciona aos cirurgiões uma avaliação de desempenho personalizada e objetiva: uma assistência cirúrgica virtual. Aqui apresentamos modelos de aprendizado de máquina desenvolvidos para analisar a sutileza cirúrgica usando dados de força de interação ferramenta-tecido na dissecção cirúrgica obtidos a partir de uma pinça bipolar sensorizada. A modelagem de dados foi realizada utilizando 50 procedimentos de neurocirurgia que envolveram tratamento cirúrgico eletivo para diversas patologias intracranianas. A coleta de dados foi realizada por 13 cirurgiões de diversos níveis de experiência, utilizando uma pinça bipolar sensorizada, SmartForceps System. O algoritmo de aprendizado de máquina constituiu projeto e implementação para três propósitos principais, ou seja, segmentação de perfil de força para obter períodos ativos de utilização de ferramenta usando TU-Net, classificação de habilidade cirúrgica em Especialista e Iniciante e reconhecimento de tarefa cirúrgica em duas categorias primárias de Coagulação versus não -Coagulação usando arquiteturas de aprendizagem profunda FTFIT. O relatório final para o cirurgião foi um painel contendo segmentos reconhecidos de aplicação de força categorizados em classes de habilidades e tarefas, juntamente com gráficos de métricas de desempenho comparados com cirurgiões de nível especializado. Foi utilizado registro de dados da sala cirúrgica de > 161 horas contendo aproximadamente 3,6 K períodos de operação da ferramenta. A modelagem resultou em pontuação F1 ponderada = 0,95 e AUC = 0,99 para segmentação do perfil de força usando TU-Net, pontuação F1 ponderada = 0,71 e AUC = 0,81 para classificação de habilidade cirúrgica, e pontuação F1 ponderada = 0,82 e AUC = 0,89 para reconhecimento de tarefas cirúrgicas usando um subconjunto de recursos artesanais aumentados para a rede neural FTFIT. Este estudo oferece um novo módulo de aprendizado de máquina em nuvem, permitindo uma plataforma ponta a ponta para monitoramento e avaliação do desempenho cirúrgico intraoperatório. Acessado por meio de um aplicativo seguro para conectividade profissional, é estabelecido um paradigma para a aprendizagem baseada em dados.

A incorporação de inteligência artificial (IA) alimentada pela conectividade em nuvem para agregar dados dentro e entre salas cirúrgicas (SO) oferece uma ferramenta objetiva para feedback sistemático sobre o uso ideal de dispositivos e sistemas médicos. Isto é importante para melhorar a segurança da cirurgia e utilizar a inovação digital para a padronização do atendimento ao paciente. A implementação da IA ​​através de dispositivos cirúrgicos habilitados por sensores e orientados por dados pode transformar o treinamento tradicional e subjetivo baseado na aprendizagem em um paradigma objetivo e não intimidante1. A assistência consciente do contexto por meio do reconhecimento da fase cirúrgica pode facilitar e melhorar ainda mais o processo de treinamento por meio de feedback analítico particularizado sobre o desempenho da cirurgia2. Como uma nova fronteira no coaching cirúrgico, a ciência de dados cirúrgicos pode ser definida através de novas estruturas que envolvem coleta, estruturação, análise e modelagem de tais dados3,4.

Algoritmos de aprendizado de máquina em cirurgia, embora precoces, podem melhorar o cuidado em diversas patologias, incluindo epilepsia, tumores cerebrais, lesões na coluna e distúrbios cerebrovasculares5. Os dados acionados por sensores podem ser usados ​​para capturar com precisão a destreza e a habilidade técnica do cirurgião, usando recursos significativos extraídos de manobras cirúrgicas e do fluxo de trabalho. Isto, por sua vez, ajudaria a fornecer uma métrica de feedback quantitativo durante um período de treinamento cirúrgico graduado. O movimento de instrumentos foi utilizado no passado como medida cinemática de desempenho e discriminação de habilidades em ambiente laboratorial6,7,8. Para avaliação de habilidades, foi implementado um sistema de rastreamento de instrumentos baseado em aprendizagem profunda baseado em vídeos cirúrgicos, que é compatível com as métricas manuais de Avaliação Estruturada Objetiva de Habilidade Técnica (OSATS) e Avaliação Avaliativa Global de Habilidade Robótica (GEARS)9. A avaliação de habilidades cirúrgicas e a navegação em cirurgia colorretal podem ser facilitadas por meio do tipo de fórceps e do reconhecimento de objetos em dados de vídeo10. Além disso, o uso de recursos de movimento extraídos da análise do padrão temporal do vídeo levou à categorização e análise das ações cirúrgicas11,12. Uma revisão abrangente da literatura sobre análise de habilidades cirúrgicas também foi publicada13. Os manuscritos incluídos nesta revisão utilizaram dados cinemáticos (61%) e de vídeo (29%), com atenção limitada às forças ferramenta-tecido14,15. Os modelos de ML aqui utilizados foram Redes Neurais Artificiais (RNA), Modelos Ocultos de Markov (HMM) e Máquinas de Vetores de Suporte (SVM), todos com precisões superiores a 80%. Suas descobertas, no entanto, foram limitadas em dados de cirurgias da vida real (12%), bem como na falta de uma aplicação de estrutura para fornecer aos cirurgiões feedback interpretável e clinicamente relevante.