Notícias

May 18, 2024

Vídeo

Scientific Reports volume 13, Artigo número: 1038 (2023) Citar este artigo 1306 Acessos 1 Detalhes da Métrica Altmétrica Para garantir resultados clínicos satisfatórios, a avaliação de habilidades cirúrgicas deve ser

Scientific Reports volume 13, Artigo número: 1038 (2023) Citar este artigo

1306 Acessos

1 Altmétrico

Detalhes das métricas

Para garantir resultados clínicos satisfatórios, a avaliação das habilidades cirúrgicas deve ser objetiva, eficiente em termos de tempo e preferencialmente automatizada – nenhuma das quais é atualmente alcançável. A avaliação baseada em vídeo (VBA) está sendo implantada em ambientes intraoperatórios e de simulação para avaliar a execução de habilidades técnicas. No entanto, o VBA é manual, demorado e sujeito a interpretações subjetivas e baixa confiabilidade entre avaliadores. Aqui, propomos um modelo de aprendizagem profunda (DL) que pode fornecer de forma automática e objetiva uma avaliação somativa de alto risco da execução de habilidades cirúrgicas com base em feeds de vídeo e avaliação formativa de baixo risco para orientar a aquisição de habilidades cirúrgicas. A avaliação formativa é gerada usando mapas térmicos de características visuais que se correlacionam com o desempenho cirúrgico. Assim, o modelo EAD abre caminho para a avaliação quantitativa e reprodutível de tarefas cirúrgicas a partir de vídeos com potencial de ampla divulgação em treinamento cirúrgico, certificação e credenciamento.

A habilidade do cirurgião é o determinante mais importante do sucesso de um procedimento cirúrgico1. A avaliação das habilidades cirúrgicas pode ser formativa ou sumativa. A avaliação formativa é de baixo risco. Os especialistas geralmente fornecem isso como orientação durante a cirurgia. Por outro lado, a avaliação sumativa é empregada em certificações ou credenciamentos de alto risco e geralmente está associada a uma pontuação quantitativa calculada pelos inspetores. Embora a observação direta dos cirurgiões na sala de cirurgia ou em um simulador continue sendo o atual padrão ouro de avaliação de habilidades cirúrgicas, a avaliação baseada em vídeo (VBA) está recebendo cada vez mais atenção2,3,4. O American Board of Surgery (ABS) está explorando o VBA como um componente do Programa de Certificação Contínua para cirurgiões gerais e especialidades relacionadas5. No entanto, como procedimento post-hoc, o VBA é manual e demorado, subjetivo e propenso a baixa confiabilidade entre avaliadores2,3. Além disso, as metodologias VBA muitas vezes envolvem a edição dos vídeos em trechos para reduzir a carga de trabalho3, promovendo a subjetividade devido ao preconceito do editor2,3. Além disso, numerosos estudos relataram evidências de validade inferiores e previsão de pontuação inflacionada por meio de vídeos editados em comparação com vídeos completos3. Outra limitação é que a VBA é quase exclusivamente formativa, ou seja, de baixo risco, e há uma lacuna notável na literatura em relação ao uso da VBA para avaliação somativa, ou seja, de alto risco3, como Fundamentos de Cirurgia Laparoscópica (FLS). Portanto, há necessidade de desenvolver uma abordagem objetiva, eficiente e automatizada para VBA.

Vários modelos de aprendizagem profunda (DL) foram desenvolvidos para avaliação automatizada e objetiva de habilidades6, a maioria dos quais depende da obtenção de dados cinemáticos baseados em sensores de cirurgiões. Isso exige muito tempo e trabalho e pode interferir na tarefa cirúrgica. Em contraste, os vídeos são coletados rotineiramente como parte da maioria dos procedimentos cirúrgicos2, tornando viável a coleta de dados em larga escala. Os modelos DL baseados em vídeo existentes utilizam edição para simplificar o problema7,8. Além disso, esses modelos usam snippets com preservação de rótulos, nos quais cada snippet compartilha o rótulo do vídeo completo. Isso é problemático porque os rótulos de todo o vídeo podem não se aplicar a trechos individuais. Finalmente, os modelos atuais de EAD não fornecem meios para avaliar as características salientes que caracterizam o desempenho. Técnicas explicáveis ​​de inteligência artificial (XAI)9,10, como mapas de ativação de classe (CAMs)11, podem resolver isso10,12. No entanto, não foi demonstrado que proporcionam uma avaliação formativa fiável.

Para resolver essas limitações, propomos um modelo DL, a Rede de Avaliação Baseada em Vídeo (VBA-Net), que pode utilizar sequências completas de vídeo cirúrgico para fornecer pontuações cirúrgicas somativas e gerar feedback formativo com base no desempenho cirúrgico. A Figura 1 ilustra a visão geral do estudo. Dois conjuntos de dados envolvendo corte de padrão cirúrgico (PC) foram utilizados para desenvolver o VBA-Net (Fig. 1a). Além disso, para elucidar a generalização do nosso modelo, nós o comparamos com o conjunto de dados públicos mais comumente usado, o JIGSAWS6,13. Por fim, fornecemos feedback formativo por meio de CAMs e apresentamos uma ferramenta estatística independente de modelo para validar sua relevância.