在使用脑电图,眼睛追踪和机器学习的膀-尿道解剖过程中,预测机器人解剖学能力评估 (RACE) 度量

科学领域:

• 医学技术 医学技术 医学技术
• 进行外科手术培训.
• 神经科学是一个神经科学.

背景情况:

• 膀-尿道解剖 (VUA) 是机器人辅助激进前列腺切除术 (RARP) 中的一个关键步骤.
• 对VUA技能的客观评估对于外科培训和患者的结果至关重要.
• 当前的评估方法可能缺乏客观性,并依赖于主观的评级者解释.

研究的目的:

• 开发用于机器人解剖切除能力评估 (RACE) 指标的客观预测模型.
• 使用脑电图 (EEG) 和眼睛跟踪数据进行性能预测.
• 通过提供客观反来增强RARP解剖学培训.

主要方法:

• 收集了来自23名参与者在模型和组织上进行机器人辅助VUA的EEG和眼睛跟踪数据.
• 利用RACE工具提取了EEG和眼睛跟踪功能,并评估了使用RACE工具的子任务性能.
• 开发了随机森林回归 (RFR) 和梯度增强回归 (GBR) 模型来预测RACE分数.

主要成果:

• 在技能水平 (无经验,有能力,有经验) 之间观察到绩效得分的显著差异.
• 在预测塑料瘤的RACE得分时,获得了高的R平方值 (例如,针/组织创伤的0.80).
• 组织瘤的R平方值在0.62到0.76之间,证明了模型的有效性.

结论:

• 使用EEG和眼睛跟踪数据的客观预测模型可以准确评估VUA性能.
• 这些模型为RARP的外科实习生提供了有价值的客观反.
• 开发的模型有可能显著改善RARP解剖解剖训练和结果.