相关实验视频
Updated: Jul 26, 2025
12:10
Retzius-Sparing Robot-Assisted Radical Prostatectomy
Published on: May 19, 2022
7.8K
预测手术经验后机器人神经节约激进前列腺切除模拟使用基于机器学习的客观性能指标的多模式分析
Nathan Schuler1, Lauren Shepard1, Aaron Saxton2
1Simulation Innovation Lab, Carnegie Center for Surgical Innovation, Johns Hopkins University, Baltimore, Maryland.
Urology practice
|June 22, 2023
概括
机器学习准确地预测了使用模拟数据进行机器人辅助激进前列腺切除术的外科医生经验. 这种方法通过分析客观的表现,手势和力度来确定外科专业知识.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 手术模拟器手术模拟器
- 机器学习 机器学习
背景情况:
- 对手术表现的客观评估对于培训和质量评估至关重要.
- 机器学习提供了客观的工具来评估泌尿器科手术中的操作性能.
- 预测外科医生病例和专业知识对于优化外科培训和患者结果至关重要.
研究的目的:
- 开发机器学习 (ML) 方法,用于预测神经节约型机器人辅助激进前列腺切除术 (RARP) 中的外科医生病例.
- 通过使用经过验证的基于水凝的模拟平台,识别指向外科专长的关键指标.
- 在RARP中建立一个用于手术经验的预测算法.
主要方法:
- 在模拟RARP过程中收集了35名泌尿科医生的视频,机器人动力学和力传感器数据.
- 有注释的手术手势和从动力学数据中推导的客观性能指标.
- 利用后勤回归,支持向量机和k-最近邻近模型,通过递归特征消除进行优化.
主要成果:
- 在预测手术经验方面,用递归特征消除的逻辑回归实现了96%的最高曲线下面积 (AUC).
- 包括客观绩效指标,手势和力度指标在内的综合数据产生了高预测准确度 (高达94%).
- 该研究确定了不同ML模型中的关键贡献特征,用于预测案例负载.
结论:
- 一个基于ML的新算法结合了客观性能指标,手势分析和力度指标,可以预测RARP中的手术经验96%的AUC.
- 开发的算法有效地区分了在标准化模拟环境中病例负载较低和较高的外科医生.
- 这种方法为节约神经的机器人辅助激进前列腺切除提供了对手术专业知识的客观衡量标准.
