Blog

Jun 23, 2024

Outil

Scientific Reports volume 13, Numéro d'article : 9591 (2023) Citer cet article 573 Accès 1 Détails des métriques Altmetric La quantification et la compréhension des données chirurgicales exposent des modèles subtils dans les tâches et

Rapports scientifiques volume 13, Numéro d'article : 9591 (2023) Citer cet article

573 Accès

1 Altmétrique

Détails des métriques

La quantification et la compréhension des données chirurgicales révèlent des modèles subtils dans les tâches et les performances. L'activation des dispositifs chirurgicaux dotés de l'intelligence artificielle offre aux chirurgiens une évaluation personnalisée et objective des performances : une assistance chirurgicale virtuelle. Nous présentons ici des modèles d’apprentissage automatique développés pour analyser la finesse chirurgicale à l’aide de données de force d’interaction outil-tissu dans la dissection chirurgicale obtenues à partir d’une pince bipolaire sensorisée. La modélisation des données a été réalisée à l’aide de 50 procédures de neurochirurgie impliquant un traitement chirurgical électif pour diverses pathologies intracrâniennes. La collecte de données a été réalisée par 13 chirurgiens de différents niveaux d'expérience à l'aide de pinces bipolaires sensorielles, le système SmartForceps. L'algorithme d'apprentissage automatique a été conçu et mis en œuvre pour trois objectifs principaux, à savoir la segmentation du profil de force pour obtenir des périodes actives d'utilisation de l'outil à l'aide de TU-Net, la classification des compétences chirurgicales en Expert et Novice et la reconnaissance des tâches chirurgicales en deux catégories principales de coagulation par rapport à non. -Coagulation utilisant les architectures d'apprentissage profond FTFIT. Le rapport final au chirurgien était un tableau de bord contenant des segments reconnus d'application de force classés en classes de compétences et de tâches ainsi que des tableaux de mesures de performance par rapport aux chirurgiens de niveau expert. Un enregistrement de données en salle d'opération de > 161 h contenant environ 3,6 K périodes d'utilisation de l'outil a été utilisé. La modélisation a abouti à un score F1 pondéré = 0,95 et une AUC = 0,99 pour la segmentation du profil de force à l'aide de TU-Net, un score F1 pondéré = 0,71 et une AUC = 0,81 pour la classification des compétences chirurgicales, et un score F1 pondéré = 0,82 et une AUC = 0,89 pour reconnaissance des tâches chirurgicales à l'aide d'un sous-ensemble de fonctionnalités artisanales augmentées du réseau neuronal FTFIT. Cette étude propose un nouveau module d'apprentissage automatique dans un cloud, permettant une plate-forme de bout en bout pour la surveillance et l'évaluation des performances chirurgicales peropératoires. Accessible via une application sécurisée pour la connectivité professionnelle, un paradigme d’apprentissage basé sur les données est établi.

L'intégration de l'intelligence artificielle (IA) alimentée par la connectivité cloud pour regrouper les données dans et entre les salles d'opération (OR) offre un outil objectif pour un retour d'information systématique sur l'utilisation optimale des dispositifs et systèmes médicaux. Ceci est important pour améliorer la sécurité de la chirurgie et utiliser l’innovation numérique pour standardiser les soins aux patients. La mise en œuvre de l’IA au moyen d’appareils chirurgicaux basés sur des capteurs et basés sur des données peut transformer la formation traditionnelle et subjective basée sur l’apprentissage en un paradigme objectif et non intimidant1. L'assistance contextuelle par reconnaissance de phase chirurgicale peut faciliter et améliorer davantage le processus de formation grâce à un retour analytique particulier sur les performances de la chirurgie2. En tant que nouvelle frontière du coaching chirurgical, la science des données chirurgicales peut être définie à travers de nouveaux cadres impliquant la collecte, la structuration, l'analyse et la modélisation de ces données3,4.

Les algorithmes d’apprentissage automatique en chirurgie, bien que précoces, peuvent améliorer les soins dans diverses pathologies, notamment l’épilepsie, les tumeurs cérébrales, les lésions de la colonne vertébrale et les troubles cérébrovasculaires5. Les données basées sur des capteurs peuvent être utilisées pour capturer avec précision la dextérité et les compétences techniques du chirurgien, en utilisant des fonctionnalités significatives extraites des manœuvres chirurgicales et du flux de travail. Ceci, à son tour, contribuerait à fournir une mesure de rétroaction quantitative au cours d’une période de formation chirurgicale graduée. Le mouvement des instruments a été utilisé dans le passé comme mesure cinématique de la discrimination des performances et des compétences dans un environnement de laboratoire6,7,8. Pour l'évaluation des compétences, un système de suivi des instruments basé sur l'apprentissage en profondeur et basé sur des vidéos chirurgicales a été mis en œuvre, qui est conforme aux métriques manuelles d'évaluation objective structurée des compétences techniques (OSATS) et d'évaluation évaluative globale des compétences robotiques (GEARS)9. L’évaluation des compétences chirurgicales et la navigation en chirurgie colorectale peuvent être facilitées grâce à la reconnaissance du type de pinces et des objets sur les données vidéo10. De plus, l’utilisation de caractéristiques de mouvement extraites de l’analyse des modèles temporels vidéo a conduit à la catégorisation et à l’analyse des actions chirurgicales11,12. Une revue complète de la littérature sur l’analyse des compétences chirurgicales a également été publiée13. Les manuscrits inclus dans cette revue utilisaient des données cinématiques (61 %) et vidéo (29 %), avec une attention limitée aux forces des tissus-outils14,15. Les modèles ML utilisés ici étaient des réseaux de neurones artificiels (ANN), des modèles de Markov cachés (HMM) et des machines à vecteurs de support (SVM), tous avec des précisions supérieures à 80 %. Leurs conclusions, cependant, étaient limitées en termes de données provenant de chirurgies réelles (12 %), ainsi que par l'absence d'un cadre d'application permettant de fournir aux chirurgiens des commentaires interprétables et cliniquement pertinents.