التحقق المقارن من خوارزميات التعلم الآلي لتحليل سير العمل الجراحي والمهارة باستخدام معيار HeiChole

الغرض: تُعد تحليل سير العمل الجراحي والمهارات من التقنيات الأساسية لنظم المساعدة الجراحية المعرفية من الجيل التالي. يمكن لهذه الأنظمة أن تُعزز سلامة العمليات من خلال تنبيهات حساسة للسياق والمساعدة الروبوتية شبه المستقلة، أو تحسين تدريب الجراحين عبر ملاحظات تعتمد على البيانات. في تحليل سير العمل الجراحي، تم الإبلاغ عن دقة متوسطة تصل إلى 91% في التعرف على المراحل باستخدام مجموعة بيانات مفتوحة من مركز واحد. وفي هذه الدراسة، قمنا بتحليل قابلية تعميم خوارزميات التعرف على المراحل في بيئة متعددة المراكز، بما في ذلك مهام تعرف أكثر صعوبة مثل التعرف على الإجراءات الجراحية والمهارات الجراحية.الطرق: لتحقيق هذا الهدف، تم إنشاء مجموعة بيانات تتضمن 33 فيديو لعمليات استئصال المرارة بالمنظار من ثلاث مراكز جراحية، بزمن إجمالي للعملية يبلغ 22 ساعة. شملت التسميات التصنيف لسبع مراحل جراحية مع 250 انتقالًا بين المراحل، و5514 حدوثًا لأربع إجراءات جراحية، و6980 حدوثًا لأدوات جراحية تُمثّل 21 أداة من سبع فئات أدوات جراحية، و495 تصنيفًا للمهارات في خمسة أبعاد للقدرة الجراحية. استُخدمت هذه المجموعة في مسابقة الرؤية المنظارية لعام 2019، ضمن الفرع الفرعي المخصص لتحليل سير العمل والمهارات الجراحية. حيث قدّمت 12 فريقًا خوارزميات التعلم الآلي الخاصة بهم للتنبؤ بالمراحل، والإجراءات، وأدوات الجراحة، وتقدير المهارة.النتائج: تم تحقيق درجات F1 في التعرف على المراحل تتراوح بين 23.9% و67.7% (عدد الفرق: 9)، وفي كشف وجود الأدوات بين 38.5% و63.8% (عدد الفرق: 8)، لكن في التعرف على الإجراءات، كانت النتائج تتراوح بين 21.8% و23.3% فقط (عدد الفرق: 5). أما متوسط الخطأ المطلق في تقدير المهارة فقد بلغ 0.78 (عدد الفرق: 1).الاستنتاج: تُعد تقنيات تحليل سير العمل والمهارات الجراحية واعدة في دعم الفريق الجراحي، لكنها لم تُحل بعد، كما يُظهر مقارنتنا بين الخوارزميات. ويمكن استخدام هذه المعيار الجديد لتقييم وتحقق متسق من الأبحاث المستقبلية.