- Aklilu及其同事开发了一种人工智能计算机视觉（CV）模型，用于检测腹腔镜胆囊切除术中的手术技术。
- 该CV模型有效地识别了手术技术，从而利用统计模型准确预测了出血量和手术经验。
证据等级：2（良好）
研究概要：
了解特定操作手法对手术结果的精确影响一直很困难。计算机视觉（CV）模型，作为人工智能（AI）的一个领域，可能揭示手术技术与患者结果之间的复杂关联。Aklilu及其同事训练了一个CV模型来识别手术活动，并使用统计模型预测出血量和手术经验。他们使用了腹腔镜胆囊切除术的视频片段和相关的患者临床数据来训练模型。该模型识别了手术活动，定义为手术动作三元组（SATs），包括使用的器械、器械的动作和操作的解剖结构。研究发现，由CV模型识别的SATs在预测出血量时达到了0.81的受试者工作特征曲线下面积（AUROC），在预测手术经验时达到了0.78的AUROC。较高的出血量与吸液器和L形电凝器的使用时间较长有关。总体而言，这项研究突显了AI在大规模分析腹腔镜手术视频并发现手术动作与操作结果之间具体关联的潜力。
点击此处阅读NEJM AI上的研究
相关阅读：
- 开发和验证一种机器学习模型，用于识别高风险术后不良事件的患者
- 计算机辅助检测可能比常规结肠镜检查更有效地检测息肉和腺瘤
- 使用早期游戏表现数据预测游戏化认知训练的依从性
- 人工智能预测模型在早期败血症检测方面表现出有限的潜力
深入研究[回顾性队列]：
CV模型接受了来自243名患者、24名外科医生和7家医院的90小时腹腔镜视频的训练。12名经过培训的标注员（如外科住院医师）在243例患者病例中的114例中标注了SATs。SATs包括使用的器械、器械的动作和操作的解剖结构。识别出16种器械、13种动作和19种解剖结构，产生了150种组合。该模型检测了SATs，作者从SATs中计算衍生指标以预测主要结果：手术出血量和手术经验。前者被分为少量（≤10毫升）和显著（>10毫升），由主刀医生估计并通过独立审查进行细化。后者被分为低经验和高经验，15年为阈值。疾病严重程度，作为一个混杂因素，使用Parkland分级量表（PGS）进行调整。在整个队列中，由CV模型识别的SATs在预测出血量时达到了0.81的AUROC。在PGS 1或2的病例中，较高的出血量与吸液器和L形电凝器的使用时间较长显著相关（p=0.01）。在PGS 3或更高的病例中，较高的出血量与吸液器用于解剖胆囊蒂的时间较长有关（p=0.04）。SATs在预测手术经验时达到了0.78的AUROC。较低的经验与手术时间较长有关（p=0.07）。尽管研究展示了有希望的结果，但其局限性在于仅关注胆囊切除术和数据收集的挑战。
(全文结束)
