Riassunto analitico
La chirurgia robotica mininvasiva ha guadagnato una significativa popolarità nelle sale operatorie moderne grazie alla sua capacità di migliorare i risultati dell'operazione e offrire numerosi vantaggi ai chirurghi. Tuttavia, la valutazione obiettiva delle competenze del chirurgo è rimasta una sfida, caratterizzata da costi elevati, tempi lunghi e punteggi soggettivi, che portano a valutazioni non affidabili. Le reti neurali convoluzionali (CNN) che eseguono key-point traking (tracciamento dei punti chiave) sono emerse come un approccio promettente per ottenere metodologie di valutazione universali e oggettive. Nonostante ciò, l'utilizzo di metriche efficaci è cruciale per ottenere dati accurati e informativi. Le metriche tradizionali basate sul key-point tracking spesso valutano parametri fisici come la velocità media o l'accelerazione, che potrebbero non discriminare efficacemente tra chirurghi principianti ed esperti. Al contrario, la metodologia Proficiency-Based Progression (PBP), allontanandosi dalle metriche classiche, ha dimostrato risultati promettenti nella valutazione delle competenze migliorando significativamente la capacità di distinguere il livello di esperienza del chirurgo. In questa tesi, forniamo una spiegazione concisa della PBP e investighiamo approfonditamente le metriche comunemente utilizzate per la valutazione delle competenze chirurgiche robotiche basate su CNN, impiegando tecniche di key-point tracking e sottoponendole a un'analisi statistica rigorosa. Inoltre, proponiamo applicazioni innovative di queste metriche, mirando ad avanzare nel campo della valutazione oggettiva delle competenze nella chirurgia robotica.
|
Abstract
Robotic-assisted minimally invasive surgery has gained significant popularity in modern operating rooms due to its ability to enhance surgical outcomes and provide numerous advantages to surgeons. However, objective assessment of robotic surgeons' skills has remained a challenge, plagued by high costs, time requirements, and subjective scoring, resulting in unreliable evaluations. Convolutional Neural Networks (CNNs) that perform key-point tracking have emerged as a promising approach to achieve universal and objective assessment methodologies. Nonetheless, the choice of effective metrics is crucial to obtain accurate and informative data. Traditional metrics based on on key-point tracking often rely on physical parameters such as average velocity or acceleration, which may not effectively discriminate between novice and expert surgeons. In contrast, the Proficiency-Based Progression (PBP) methodology, diverging from classical metrics, has demonstrated promising results in skill assessment by significantly improving the ability to distinguish between novice and expert surgeons. In this thesis, we provide a concise explanation of PBP and thoroughly investigate commonly used metrics for CNN-based robotic surgical skill assessment, employing key-point tracking techniques and subjecting them to rigorous statistical analysis. Furthermore, innovative applications of these metrics are proposed, aiming to advance the field of objective skill assessment in robotic surgery.
|
