Новости

May 18, 2024

видео

Scientific Reports, том 13, номер статьи: 1038 (2023) Ссылаться на эту статью 1306 Доступ 1 Подробности об альтметрических показателях Чтобы гарантировать удовлетворительные клинические результаты, необходимо провести оценку хирургических навыков.

Научные отчеты, том 13, Номер статьи: 1038 (2023) Цитировать эту статью

1306 Доступов

1 Альтметрика

Подробности о метриках

Чтобы обеспечить удовлетворительные клинические результаты, оценка хирургических навыков должна быть объективной, эффективной по времени и предпочтительно автоматизированной — ни одна из этих целей в настоящее время не достижима. Видеооценка (VBA) применяется в интраоперационных и симуляционных условиях для оценки выполнения технических навыков. Однако VBA требует ручного управления, требует много времени и склонен к субъективной интерпретации и низкой надежности между экспертами. Здесь мы предлагаем модель глубокого обучения (DL), которая может автоматически и объективно обеспечивать итоговую оценку выполнения хирургических навыков с высокими ставками на основе видеопотоков и формирующую оценку с низкими ставками для руководства приобретением хирургических навыков. Формативная оценка производится с использованием тепловых карт визуальных особенностей, которые коррелируют с хирургическими результатами. Таким образом, модель DL открывает путь для количественной и воспроизводимой оценки хирургических задач с помощью видео с потенциалом для широкого распространения в хирургической подготовке, сертификации и аттестации.

Квалификация хирурга является наиболее важным фактором, определяющим успех хирургической процедуры1. Оценка хирургических навыков может быть формирующей или суммирующей. Формирующее оценивание имеет низкие ставки. Эксперты обычно предоставляют его в качестве руководства во время операции. С другой стороны, суммативное оценивание используется при сертификации или аттестации с высокими ставками и обычно связано с количественной оценкой, вычисляемой инспекторами. Хотя прямое наблюдение за хирургами в операционной или на симуляторе остается в настоящее время золотым стандартом оценки хирургических навыков, видеооценке (VBA) уделяется все больше внимания2,3,4. Американский совет хирургии (ABS) изучает VBA как компонент программы непрерывной сертификации для хирургов общей практики и смежных специальностей5. Однако, как апостериорная процедура, VBA требует много ручного труда и времени, субъективен и склонен к низкой надежности между экспертами2,3. Более того, методологии VBA часто предполагают редактирование видео на фрагменты, чтобы уменьшить рабочую нагрузку3, что способствует субъективизму из-за предвзятости редактора2,3. Кроме того, в многочисленных исследованиях сообщалось о меньшей достоверности доказательств и завышенных прогнозах оценок с помощью отредактированных видео по сравнению с полными видео3. Еще одним ограничением является то, что VBA почти исключительно является формирующим, т. е. с низкими ставками, и в литературе существует заметный пробел относительно использования VBA для суммативного, т. е. с высокими ставками, оценивания3, такого как «Основы лапароскопической хирургии» (FLS). Следовательно, существует необходимость разработки объективного, эффективного и автоматизированного подхода для VBA.

Для автоматизированной и объективной оценки навыков было разработано несколько моделей глубокого обучения (DL), большинство из которых основаны на получении кинематических данных с датчиков от хирургов. Это требует много времени и труда и может помешать выполнению хирургической задачи. Напротив, видео собираются регулярно в рамках большинства хирургических процедур2, что делает возможным крупномасштабный сбор данных. Существующие модели DL на основе видео используют редактирование для упрощения проблемы7,8. Кроме того, в этих моделях используется фрагментирование с сохранением меток, при котором каждый фрагмент использует метку всего видео. Это проблематично, поскольку ярлыки для всего видео могут не применяться к отдельным фрагментам. Наконец, текущие модели DL не предоставляют средств для оценки существенных характеристик, характеризующих производительность. Объяснимые методы искусственного интеллекта (XAI)9,10, такие как карты активации классов (CAM)11, могут решить эту проблему10,12. Тем не менее, не было доказано, что они надежно обеспечивают формирующую оценку.

Чтобы устранить эти ограничения, мы предлагаем модель DL, Сеть оценки на основе видео (VBA-Net), которая может использовать полные хирургические видеопоследовательности для предоставления итоговых хирургических оценок и формирования формирующей обратной связи на основе хирургических результатов. Рисунок 1 иллюстрирует обзор исследования. Для разработки сети VBA-Net были использованы два набора данных, включающие хирургическое вырезание шаблонов (ПК) (рис. 1а). Кроме того, чтобы выяснить возможность обобщения нашей модели, мы сравнили ее с наиболее часто используемым общедоступным набором данных JIGSAWS6,13. Наконец, мы предоставили формирующую обратную связь через CAM и представили независимый от модели статистический инструмент для проверки их значимости.