对于Surgomics的外科手术工作流程分析和机器人辅助微创食道切除术 (RAMIE) 的上下文感知辅助:一项回顾性,单臂,多中心注释和机器学习研究
Johanna M Brandenburg1, André Schulze2, Alexander C Jenke3
1Department of General, Visceral, and Transplantation Surgery, Heidelberg University Hospital, Heidelberg, Germany; Department of Visceral, Thoracic, and Vascular Surgery, Faculty of Medicine and University Hospital Carl Gustav Carus, Technische Universität Dresden, Dresden, Germany; National Center for Tumor Diseases (NCT/UCC), Dresden, Germany; Centre for Tactile Internet with Human-in-the-Loop (CeTI), Technische Universität Dresden, Dresden, Germany.
概括
这项研究模拟了机器人辅助微创食道切除术 (RAMIE) 工作流程,并通过机器学习 (ML) 验证了其用于阶段识别的使用. 尽管外科手术程序在机构之间存在差异,但ML模型实现了有希望的准确性.
科学领域:
- 外科手术工作流程分析
- 医疗机器人 医疗机器人
- 机器学习在外科手术中的应用
背景情况:
- 机器人辅助微创食道切除术 (RAMIE) 是一种复杂的外科手术程序.
- 工作流分析可以在RAMIE中增强上下文意识的协助和外科数据科学.
- 了解RAMIE工作流程对于改善外科手术成果和培训至关重要.
研究的目的:
- 为了建模 RAMIE 工作流程.
- 验证工作流模型在手术室 (OR) 的适用性.
- 通过视频数据和机器学习 (ML) 来评估工作流模型在多个学术中心的通用性.
主要方法:
- 基于文献,OR观察和专家采访,开发了一个RAMIE工作流模型.
- 将模型正式化为现场OR文档的检查列表工具.
- 追溯注释了来自三个医院的36个RAMIE视频,以评估概括性.
- 训练并测试了一种ML模型,用于使用六倍交叉验证进行自动化外科阶段识别.
主要成果:
- 确定了RAMIE的十个手术阶段和60个基本步骤.
- 通过现场OR文档验证了工作流模型的适用性.
- 观察到RAMIE阶段持续时间的机构间显著差异.
- 通过ML模型实现0.872 ± 0.091的平均精度和0.872 ± 0.082的f1得分.
结论:
- 成功建模并验证了RAMIE工作流程在回顾性,多中心设置中.
- 在RAMIE中证明了ML在自动化手术阶段识别方面的潜力.
- 突出了各机构RAMIE阶段持续时间的显著变化,但ML表现仍然很有希望.
