在FLS和RAS手术任务中开发性能和学习率预测模型,使用脑电图和目光数据以及机器学习
Somayeh B Shafiei1, Saeed Shadpour2, Xavier Intes3
1Intelligent Cancer Care Laboratory, Department of Urology, Roswell Park Comprehensive Cancer Center, Buffalo, NY, 14263, USA. Somayeh.BesharatShafiei@RoswellPark.org.
Surgical endoscopy
|September 21, 2023
概括
这项研究使用脑电图 (EEG) 和眼睛观察来评估腹腔镜和机器人手术中的外科技能. 机器学习模型确定了评估外科实习生的表现和学习率的关键特征.
科学领域:
- 外科教育的外科教育
- 医疗技术 医疗技术 医学技术
- 机器学习在医学中的应用
背景情况:
- 客观评估手术表现和学习对于有效的培训至关重要.
- 传统的评估方法可能无法充分捕捉复杂程序中技能获取的细微差别.
- 新兴技术,如脑电图 (EEG) 和眼睛追踪,为更细致的洞察提供了潜力.
研究的目的:
- 探索脑电图 (EEG) 和眼神特征的实用性,以及经验指标,用于评估绩效和学习率.
- 应用机器学习技术来客观地评估腹腔镜手术 (FLS) 和机器人辅助手术 (RAS) 的基础知识.
主要方法:
- 收集了从参与者执行FLS和RAS任务的EEG和眼睛跟踪数据.
- 开发了使用EEG和眼睛凝视进行绩效评估的通用线性混合模型 (L1-处罚).
- 利用线性模型,根据这些特征和初始绩效评估学习率.
- 整合经验指标和差异分析 (ANOVA) 来检查它们对学习的影响.
主要成果:
- 脑电图和眼神特征,以及经验,对FLS和RAS的绩效评估做出了重大贡献.
- 经验水平的表现有所不同,住院生,研究员和教师通常在各种任务中表现优于医学前学生.
- 特定的p值表明,在FLS接转移,图案切割, suturing 和RAS组织剖析和图案切割方面,对于更有经验的组,具有统计学意义的性能优势.
结论:
- 这些发现支持使用EEG,眼神和机器学习来客观地评估外科技能.
- 这些方法可以为开发有针对性的培训干预措施提供信息,以提高外科手术能力.
- 这项研究有助于理解外科手术中的运动学习和设计有效的教育策略.
