Summary
Vi beskriver en prosedyre for å behandle CT-skanninger (Computed Tomography) til high-fidelity, gjenvinnbare og rimelige prosessuelle oppgavetrenere. CT-skanningsidentifikasjonsprosessene, eksport, segmentering, modellering og 3D-utskrift er alle beskrevet, sammen med problemene og erfaringene i prosessen.
Abstract
Beskrivelsen av prosessuelle oppgavetrenere inkluderer deres bruk som et treningsverktøy for å finpusse tekniske ferdigheter gjennom repetisjon og øving av prosedyrer i et trygt miljø før de til slutt utfører prosedyren på en pasient. Mange prosessuelle oppgavetrenere som er tilgjengelige til dags dato, lider av flere ulemper, inkludert urealistisk anatomi og tendensen til å utvikle brukeropprettede "landemerker" etter at trenervevet gjennomgår gjentatte manipulasjoner, noe som potensielt kan føre til upassende psykomotorisk ferdighetsutvikling. For å forbedre disse ulempene ble det opprettet en prosess for å produsere en high-fidelity prosessuell oppgavetrener, laget av anatomi hentet fra CT-skanninger, som benytter allestedsnærværende tredimensjonal (3D) utskriftsteknologi og hyllevareforsyninger.
Denne metoden inkluderer å lage en 3D-trykt vevsform som fanger vevstrukturen rundt skjelettelementet av interesse for å innkapsle den benete skjelettstrukturen suspendert i vevet, som også er 3D-trykt. En vevsmediumblanding, som tilnærmer seg vev i både hi-fi-geometri og vevstetthet, helles deretter i en form og får lov til å sette. Etter at en oppgavetrener har blitt brukt til å praktisere en prosedyre, for eksempel intraosseøs linjeplassering, er vevsmediene, muggene og beinene gjenvinnbare og kan gjenbrukes for å lage en ny oppgavetrener, fri for punkteringssteder og manipulasjonsfeil, til bruk i påfølgende treningsøkter.
Introduction
Pasientomsorgskompetanse av prosessuelle ferdigheter er en kritisk komponent for å utvikle praktikanter i sivile og militære helsetjenester 1,2 miljøer. Prosessuell kompetanseutvikling er spesielt viktig for prosedyreintensive spesialiteter som anestesiologi3 og medisinsk personell i frontlinjen. Oppgavetrenere kan brukes til å øve på mange prosedyrer med ferdighetsnivåer som spenner fra en førsteårs medisinsk student eller medisinsk tekniker til en senior bosatt eller stipendiat. Mens mange medisinske prosedyrer krever betydelig trening for å fullføre, er oppgaven som presenteres her - plassering av en interosseous (IO) linje - grei og krever mindre teknisk ferdighet. Vellykket plassering av en IO-linje kan oppnås etter en relativt kort periode med trening. Bruk av simulering under medisinsk trening, som inkluderer bruk av oppgavetrenere, er anerkjent som et verktøy for å få tekniske prosedyreferdigheter gjennom repetisjon og repetisjon av en klinisk prosedyre i et trygt, lavt stressmiljø, før du til slutt utfører prosedyren på pasienter 2,4,5.
Forståelig nok har simuleringstrening i medisinske utdanningsmiljøer blitt allment akseptert og ser ut til å være en bærebjelke, til tross for mangel på data om noen innvirkning på pasientutfall 6,7. I tillegg viser nyere publikasjoner at simulering forbedrer teamprestasjoner og pasientresultater som følge av forbedret teamdynamikk og beslutningstaking. Likevel er det lite data som tyder på at simulering forbedrer tiden eller suksessraten for å utføre kritiske, livreddende prosedyrer 8,9, noe som tyder på at simulering er kompleks og mangesidig i utdanningen av helsepersonell. Hos pasienter der standard intravenøs tilgang ikke er mulig eller indisert, kan plassering av IO-linje brukes til å oppnå vaskulær tilgang raskt, noe som krever minimal ferdighet. Rettidig og vellykket utførelse av denne prosedyren er kritisk, spesielt i det perioperative miljøet eller et traumescenario10,11,12. Fordi IO-linjeplassering er en sjeldent utført prosedyre i det perioperative området og kan være en livreddende prosedyre, er trening i et ikke-klinisk miljø kritisk. En anatomisk nøyaktig oppgavetrener som er spesifikk for IO-linjeplassering, er et ideelt verktøy for å tilby forutsigbar treningsfrekvens og kompetanseutvikling for denne prosedyren.
Selv om det er mye brukt, lider for tiden tilgjengelige kommersielle oppgavetrenere av flere betydelige ulemper. For det første er oppgavetrenere som tillater flere forsøk på en prosedyre kostbare, ikke bare for det første kjøpet av oppgavetreneren, men også for etterfylling av utskiftbare deler som silikonhudplaster. Resultatet er ofte sjelden utskiftbare deler, og etterlater fremtredende landemerker som gir traineen en suboptimal opplæringsopplevelse; Pasienter vil ikke komme forhåndsmerket hvor man skal gjøre prosedyren. En annen ulempe er at de høye kostnadene for tradisjonelle oppgavetrenere kan føre til begrenset tilgang for brukere når enhetene er "låst opp" på beskyttede lagringssteder for å forhindre tap eller skade på enhetene. Resultatet krever strengere og mindre tilgjengelig planlagt øvingstid, og å begrense bruken kan absolutt gjøre uplanlagt trening vanskelig. Til slutt betraktes de fleste trenere som low-fidelity 5,13,14 og bruker bare representativ anatomi, noe som potensielt kan føre til upassende psykomotorisk ferdighetsutvikling eller treningsarr. Low-fidelity trenere gjør også grundig vurdering av ferdighetsoppkjøp, mestring og nedbrytning svært vanskelig, da trening på en lav-fidelity-enhet kanskje ikke tilstrekkelig etterligner den faktiske virkelige prosedyren.
Representativ anatomi hindrer også riktig evaluering av oppkjøp og mestring av psykomotoriske ferdigheter. Videre blir det nesten umulig å vurdere overføring av psykomotoriske ferdigheter mellom simulerte medisinske miljøer til pasientbehandling hvis noen av de psykomotoriske ferdighetene ikke gjenspeiles i den kliniske oppgaven. Dette resulterer i forebygging av konsensus om evnen til medisinsk simulering og trening for å påvirke pasientens utfall. For å overvinne utfordringene med kostnader, anatomisk nøyaktighet og tilgang, har vi utviklet en billig, high-fidelity IO-linje oppgavetrener. Oppgavetreneren er designet fra en faktisk pasients CT-skanning, noe som resulterer i nøyaktig anatomi (figur 1). Materialene som brukes er allestedsnærværende og enkle å få tak i, med komponenter som er relativt enkle å gjenvinne. Sammenlignet med mange andre kommersielt tilgjengelige trenere, reduserer den beskjedne kostnaden for oppgavetrenerdesignet som er beskrevet her, dramatisk ønsket om å sekvestrere trenerne på et mindre tilgjengelig, beskyttet sted og gjør flere repetisjoner uten ledende landemerker mulig.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
MERK: University of Nebraska Medical Center Institutional Review Board bestemte at vår studie ikke utgjorde menneskelig fagforskning. Den lokale IRB innhentet etisk godkjenning og fraskrivelse av informert samtykke. Fullstendig anonymisering av bildedata ble gjort før analyse i henhold til sykehusets avidentifiseringsprotokoll.
1. Data
- Få en CT-skanning som fanger anatomien av interesse for den planlagte oppgavetreneren. Vær nøye med å ta hensyn til arbeidsvolumbegrensningene til 3D-skriveren som brukes, og nødvendige landemerker for prosedyretrinn.
- Hvis skanningen er oppnådd i et DICOM-format (Digital Imaging and Communications in Medicine), konverterer du til et NiFTi-format (Neuroimaging Informatics Technology Initiative) 15 (.nii).
2. Segmentering
- Bruk 3D Slicer-programvare (http://www.slicer.org) til å segmentere CT-bildene. Importer NIfTi-filen fra trinn 1.2 til 3D-slicer.
- Velg segmentredigeringsmodulen for å generere segmentene som trengs for å modellere treneren.
- Legg til ett segment for 1) Bone og 2) Tissue komponenter av oppgaven trener.
MERK: Utvikling av noen trenere, for eksempel de som brukes til å trene innsetting av brystrør, kan kreve flere segmenter. - Velg segment 1) Bein. Bruk terskeleffekten , endre intensitetsområdet til det definerte "vindu" -området identifiserer beinkomponenten av interesse.
MERK: For beinsegmenter er det vanlige området mellom 100 og 175 HU (Hounsfield Units) til den tilgjengelige maksimumsverdien og for vev, som vanligvis er -256 HU til tilgjengelig maksimum. - Bruk Threshold-funksjonen til å markere 1) Bone-komponenten og bruk den på skanningen ved hjelp av Bruk-kommandoen .
- Bruk saksfunksjonen til å fjerne områder av skanningen som ikke trengs for å opprette oppgaveopplæringen. Vær forsiktig for å sikre at benmargsplassen forblir hul for IO-trenere.
MERK: Dette trinnet er den første reduksjonen av segmentet av interesse til de ønskede dimensjonene til treneren. Byggevolumbegrensningene til 3D-skriveren som skal brukes, bør vurderes her; Segmentet kan imidlertid reduseres ytterligere i § 3.
- Legg til ett segment for 1) Bone og 2) Tissue komponenter av oppgaven trener.
- Gjenta trinn 2.2.1-2.2.4 for 2) Vevskomponenten.
- Ved hjelp av segmenteringsmodulen ; eksportere hver komponent som en STL-fil.
3.3D Modellering
- Bruk AutoDesk Meshmixer til å beskjære 3D-segmentene ytterligere og redusere oppløsningen til hvert segment, når det gjelder antall geometriske elementer, for optimal ytelse i Fusion360.
- Bekreft at importerte STL-filer har riktig trekant normal retning. Sørg for normalene til hvert trekantpunkt i retning av den ytre overflaten av nettet. Hvis trekantretningen er feil, snur du trekanten normalt ved å utføre Select | Endre | Velg alle funksjoner og deretter Velg | Rediger | Vend Normaler-funksjonen .
- Eliminer uønskede strukturer (f.eks. uønskede segmenter av vev eller vaskulatur fanget av CT på grunn av bruk av kontrast) av de importerte STL-segmentene, og finjuster modellene som trengs for å lage oppgavetreneren. Hvis du vil finjustere modellen ved å fjerne uønskede strukturer i segmentene som utilsiktet kan ha blitt inkludert i terskelområdet for det eksporterte segmentet, bruker du Select-operasjonen , velger trekantene på de uønskede strukturene og deretter Rediger | Kast.
- Etter 3.1.2 bruker du Rediger-| Plane Cut-verktøy for å beskjære modellen slik at den passer innenfor rammen av 3D-skriverens byggevolum. For å redusere beregningskostnadene som oppstår på grunn av overdreven geometrisk oppløsning, reduser antall trekanter som brukes til å definere modellen for å muliggjøre optimal ytelse i Fusion360. Klikk på Velg, dobbeltklikk hvor som helst på nettet for å velge hele nettet, og deretter Rediger | Reduser. For Reduser mål, reduser til et trekantbudsjett på under ca. 10 000 ansikter.
MERK: Skriveren som for tiden brukes av forfatterne, har et maksimalt byggevolum på 250 x 210 x 210 mm; Dermed ble modellen kuttet til en maksimal langakselengde på 220-230 mm for å la formen passe inn i skriverens byggevolum. Skriverens byggevolum skal diktere lengden på den lange aksen ved å gjøre modellen omtrent 20-30 mm kortere. Geometrien kan enkelt reduseres til ~ 10K trekanter uten tap av klinisk relevante detaljer for å utvikle high-fidelity oppgavetrenere. - Fjern eller reduser hull og uregelmessigheter på overflaten ved hjelp av markeringsverktøyet . Når trekantene i nettet rundt feilen er valgt, bruker du kommandoen Velg | Rediger| Slett&Fyll for å forbedre overflatehull og uregelmessigheter. Eksporter og lagre de ferdige modellene ved hjelp av STL-filtypen.
MERK: Den ytre overflaten av målbenet for de interosseøse linjeoppgavetrenerne krever fullstendig lukking; Ellers vil smeltet vevsmedier komme inn i margrommet og forringe oppgavetrenerens ytelse.
- Bruk AutoDesk Fusion360, og importer bein- og vevsmodellene ved å legge til . STL-filer i arbeidsområdet som et nett ved hjelp av Sett inn | Sett inn nett, kommando.
- Konverter de importerte maskene til BRep-heldekkende stoffer ved å deaktivere Fusion360-tidslinjen og redusere antall trekanter i målnettet til <10 000.Velg det importerte maskehuset og høyreklikk. Velg Mesh til BRep alternativ. Etter at maskene er konvertert til BReps faste stoffer, fortsett Fusion360-tidslinjen.
- Endre det faste stoffet for å lage oppgavetrenerens form ved å dele det rektangulære faste stoffet langs den lange aksen til Tissue BRep.
MERK: Formen er opprettet rundt Tissue BRep ved å bruke skissefunksjonen til å bygge en terning eller rektangulært fast stoff som omfatter Tissue solid. Formstørrelsen bør endres for å oppfylle det maksimale byggevolumet til den valgte 3D-skriveren. Siden formen er delt i to, er det ikke sikkert at den lengste dimensjonen som skrives ut, er den endelige formens største dimensjon når de sammenføyes. - Velg 2-3 steder for støttepinner, og plasser de forhåndsdesignede monteringsgruppekomponentene for å fikse oppgavetrenerens bein. Forsikre deg om at stedene som er valgt for støttepinnene, har en god støttestruktur i beinet rundt hodet på tappen.
MERK: Benet rundt det valgte pinnehodet trenger ikke å være helt ensartet, da monteringsgruppen også inneholder en solid sylindrisk støttestruktur, som vil bli smeltet sammen med beinet. Denne strukturen støtter tilstrekkelig hodet på tappen og bevarer riktig anatomisk plassering av beinene i vevsmediet. - Importer og plasser en beinplugg på det åpne margrommet til Bone BRep for å forhindre at vevsmedier kommer inn i margrommet, og hold den simulerte benmargen fra å renne ut.
- Generer en åpning (vanligvis 4-6 cm i diameter) gjennom formene i rommet representert av Tissue BRep-faststoffet for å tillate helling av flytende vevsmedier i formen.
- Når komponentene i de forhåndsdesignede monteringsgruppene er plassert for å fikse beinene i rommet, utfør boolske kombinasjonsfunksjoner for å enten legge til eller kutte de forskjellige monteringsgruppene i modellene.
- Utfør et speil av objektene før trinn 3.2.6 for å lage oppgavetreneren for den ipsilaterale siden. Gjenta trinn 3.2.3-3.2.5 før 3.2.6.
- Eksporter de endelige komponentene for utskrift. Velg ønsket kropp i arbeidsområdet og generer en STL-fil ved å høyreklikke | Lagre som STL.
4.3D Utskrift
- Bruk Simplify 3D til å plassere STL-filen på sengen til 3D-skriveren, slik at oppdelingsprogrammet kan generere GCODE som kreves for å skrive ut varen. Skriv ut komponentene med polymelkesyre (PLA) 3D-skrivermediefilament med en 0,4 mm dyse ved en varm endetemperatur på 210 °C. Forsikre deg om at innstillingene bruker 4 topp- og bunnlag og 3 omkretsskall.
- Orienter beinene vertikalt for å minimere det nødvendige støttematerialet i marghulen. Skriv ut med en flåte, 0,2 mm laghøyde, 20 % fyllmasse og fullt støttemateriale (fra utskriftssengen og i utskriften). Når du skriver ut vevsformene, orienter du formkomponentene med vevsoverflaten vendt opp. Skriv ut vevsformene uten flåte, 0,3 mm laghøyde, 15 % fyllmasse og fullt støttemateriale.
- Ordne støttepinnene og andre komponenter for å minimere støttematerialet - skriv ut alle pinnestøttedeler med en flåte, 0,2 mm laghøyde og 20% påfylling. Skriv ut de gjengede komponentene uten støttemateriale med redusert hastighet, for å maksimere troskapen til gjengestrukturene.
- Når parameterne for hver komponent er valgt, klargjør og eksporter du GCODE-filen generert av Simplify 3D til et SD-kort. Bruk en Prusa i3 MK3 til å velge den lagrede GCODE-filen fra SD-kortet og skrive ut med 1,75 mm PLA 3D-skrivermediefilament.
5. Montering
- Forbered vevsmediet.
MERK: Traineens nåværende ferdighetsnivå kan diktere om ugjennomsiktig eller gjennomsiktig vevsmedium er nødvendig. Transparent medium gjør det mulig for traineen å visuelt spore fremdriften under IO-innsetting og lettere identifisere benete landemerker, mens ugjennomsiktig medium bedre simulerer faktisk klinisk erfaring.- Mål følgende komponenter som skal brukes til å lage vevsmediet, og sett til side (disse mengdene kan skaleres etter behov) 260 g ikke-smaksatt gelatin; om nødvendig, 140 g finmalt psylliumskallfiber, oransje-flavored, sukkerfri (utelat dette trinnet for å skape et gjennomsiktig medium); 42 g 4 % w/v klorhexidin.
MERK: Psyllium husk fiber kan brukes til å lage et ugjennomsiktig medium. Denne komponenten skal tilsettes umiddelbart etter gelatinen hvis et ugjennomsiktig medium er ønsket16. - Varm 1000 ml vann (kranen er akseptabel) til 85 °C.Tilsett vannet i en blandebeholder flere ganger større enn volumet av ingredienser, for eksempel en bøtte på 18,9 liter.
- Mens du blander vevsmediumløsningen kraftig, tilsett gelatin, psylliumskallfiber og klorhexidinoppløsning til vannet, i rekkefølge, og vent før du legger til neste ingrediens etter at den forrige er innlemmet.
MERK: Ikke tilsett psylliumskallfiber hvis du lager gjennomsiktig medium.
- Mens du blander vevsmediumløsningen kraftig, tilsett gelatin, psylliumskallfiber og klorhexidinoppløsning til vannet, i rekkefølge, og vent før du legger til neste ingrediens etter at den forrige er innlemmet.
- Varm blandingen i et 71 °C vannbad i minst 4 timer for å la boblene forsvinne fra løsningen. Plasser blandebeholderen direkte i varmtvannsbadet, eller overfør blandingen til en separat beholder, for eksempel oppbevaringsposer av plast.
- Forbered vevsmediet for helling i den monterte formen. Sørg for at blandingen er homogen og flytende. Oppretthold temperaturen på blandingen ved 46 °C.
MERK: Hvis vevsmediet ikke er umiddelbart nødvendig, kan det oppbevares ved 4 °C eller -20 °C i en oppbevaringsbeholder til det er nødvendig.
- Mål følgende komponenter som skal brukes til å lage vevsmediet, og sett til side (disse mengdene kan skaleres etter behov) 260 g ikke-smaksatt gelatin; om nødvendig, 140 g finmalt psylliumskallfiber, oransje-flavored, sukkerfri (utelat dette trinnet for å skape et gjennomsiktig medium); 42 g 4 % w/v klorhexidin.
- Forbered den simulerte benmargsoppløsningen.
MERK: Den simulerte benmargsoppløsningen kan tilberedes på forhånd og oppbevares i en tildekket beholder ved romtemperatur til den er klar til bruk.- Mål og bland grundig 100 g kaldt vann (kranen er fin); 100 g ultralydgel; og 5 ml rød konditorfarge (valgfritt, brukes til å forbedre simuleringen). Forsikre deg om at sluttproduktet er tykt, men flytende nok til å overføre raskt.
- Fest beinet til bunnen av formen, og monter formen.
- Spray hver side av formens indre overflater med et ikke-silikonbasert frigjøringsmiddel, for eksempel non-stick matlagingsspray. Fest beinet ved hjelp av støttepinnene for å opprettholde riktig posisjon i vevsrommet. Fest bein/pinner til bunnen av formen.
- Juster toppen av formen til den nederste delen, og fest de to halvdelene av formen sammen. Kontroller at beinpluggen er på plass for å forhindre at vevsmedium kommer inn i margrommet under helling.
- Plasser formen slik at åpningen vender opp, og hell 46 °C vevsmediet inn i formens hulrom. Utbedre eventuell lekkasje av vevsmediet fra formen ved hjelp av en omvendt luftstøverbeholder ved å sprøyte det varme vevsmediet direkte med beholderen for å avkjøle det raskt. Overfør den fylte formen til et 4 °C kjøleskap i minst 6 timer, eller til vevsmediet har satt seg.
- Demonter formen, og fjern oppgavetreneren og støttepinnene. Fjern beinpluggen, fyll margrommet med simulert "benmarg" opprettet i 5.2, og bytt ut beinpluggen. Legg arbeidsrullene i en plastpose, og oppbevar enheten på enten 4 °C eller -20 °C til den trengs for trening.
6. Oppgavetrening
- Fjern oppgavelæreren fra lagring og la den nå romtemperatur. Hvis det ikke allerede er på plass, tilsett simulert benmargsmateriale fra trinn 5.2 per instruksjon i 5.5.
MERK: Å la treneren varme til romtemperatur forbedrer simuleringsopplevelsen. - Utfør trening på oppgavetrenerne. Be traineene om å plassere IO-nåler (figur 2A), og aspirere simulert benmarg (figur 2B) i henhold til IO-linjeplasseringens vanlige trinn.
- Etter trening, demonter oppgavetrenerne for å gjenvinne vev, mediet og beinene.
MERK: Etter manipulering vil beinene til IO-treneren ha hull opprettet ved innsetting av IO-linjekanylen. Disse hullene kan enten fylles med PLA ved hjelp av en håndholdt 3D-skriverpenn, eller alternativt kan beinene kastes. - Sett sammen og gjenbruk gjenvunnet materiale for senere opplæring i henhold til avsnitt 5.Alternativt kan du smelte vevsmediet ned, gjenvinne per 5.1.4, og lagre ved enten 4 °C eller -20 °C, hvis det ikke er umiddelbart nødvendig.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Etter protokollen benyttet modelleringen av oppgavetreneren en CT-skanning av en avidentifisert pasient. Segmentering av CT-bildene benyttet 3D Slicer-programvare og Auto Meshmixer for 3D-modellering. For 3D-printing ble både 3D Simplify og Prusa i3 MK3 brukt (figur 1). Deretter fullførte vi monteringen av de 3D-printede delene, forberedte vevsmedieblandingen og helte medieblandingen i den monterte oppgavetreningsformen. Etter en treningsperiode med oppgavetreneren ble vevsmediet gjenvunnet og gjenbrukt i samlingen av ferske oppgavetrenere.
CT-skanningen av pasientens venstre kneledd som ble brukt til 3D-modelleringen besto av 6-7 cm tibia- og fibulaben under kneet, 2-3 cm lårbensbein over kneet og patellaen. Under utførelsen av denne protokollen ble artefaktene som ble sett i CT-skanningen som følge av overlappingen mellom forskjellige anatomiske segmenter, manuelt kassert i Meshmixer etter å ha eksportert hvert segment til STLer og utført "flip normals" -operasjonen. De venstre tibiale bein- og vevsmaskene ble modifisert for å redusere marghulens anatomiske kompleksitet. Støttestrukturer ble generert for å fikse lårbenet, tibia, fibula og patella til hverandre. En støttende "spennestruktur" ble lagt til Fusion 360 for å hjelpe til med å booster den tynne fibulastrukturen av beinet til tibia, og dermed forhindre at dette beinet bryter av.
Formstrukturen besto av et rektangulært fast stoff, separert i en topp- og bunnstruktur, og en 2,5 mm kanal for å holde silikonskumledningen på vevssegmentets omrissomkrets. Støttepinnestrukturer, justeringspinnekanaler og beinpluggmottakeren ble lagt til bein- og formstrukturene ved å importere deres gjeldende strukturer inn i modellen (figur 3). Formen ble utformet slik at to 41 mm støttepinnemonteringsgrupper ville være tilstrekkelig til å støtte og suspendere beinstrukturene i vevshulen på riktig måte. En åpning laget for å eksponere vevshulen gjorde det lettere å helle vevsmediet ved å kutte en sylindrisk kroppsstruktur fra formstrukturens front.
Etter å ha fullført form- og beinstrukturene i Fusion 360, følgende fire . STL-segmenter ble opprettet ved å eksportere modellen: 1) Bones, 2) Bottom mold box, 3) Top mold box, og 4) modell hardware (2 x 41 mm Supporting Pins, 2x Supporting Pin Bottoms og 1x Bone Plug). Deretter ble fire STL-segmenter importert til Simplify 3D, og de representative GCODE-filene ble generert for disse segmentene for utskrift ved hjelp av en 0,4 mm dyse og 0,3 mm laghøyde med en utskriftshastighet på 100 mm / s. Tabell 1 viser utskriftstider og estimater for krav til PLA-filamentmateriale ved hjelp av innstillingene som tidligere ble nevnt da alle segmentene ble skrevet ut på originale Prusa MK3-skrivere. Rask inkorporering av komponentene i vevsmediet (gelatin) er avgjørende for å oppnå et konsistent og homogent sluttprodukt. Mengden vevsmedium som brukes varierer avhengig av modellen for oppgavetrener samlet. Et eksempel på design og faktiske volumer av vevsmedium brukt i tibial IO insertion Task Trainer-modellen er vist i tabell 2.
For å deformere oppgavetreneren ble kompresjonsanordningene løsnet, formtoppen og bunnen ble separert, og de 2 x 41 mm støttepinnene ble rotert og fjernet fra beinene. Benmargshulen ble deretter fylt med simulert margløsning, og en beinplugg ble satt sikkert inn. Den endelige oppgavetreneren ble deretter avbildet med en CT-skanning for måling av anatomiske landemerker og segmenter. Resultatene viser en high-fidelity oppgavetrener IO-linjeplassering (figur 4). Den nystøpte oppgavetreneren ble deretter plassert i en zip-lock-pose, returnert til kjøleskapet og lagret for bruk i en fremtidig treningsøkt.
Transparente og ugjennomsiktige oppgavetrenere ble satt sammen (figur 5) for IO-linjeplasseringsøkter. Totalt 40 oppgavetrenere (20 tibia og 20 humeri) ble brukt under en halvdagsopplæring av IO-linjeplassering som tilbys til Institutt for anestesiologi ved vår institusjon. Både fakultet og praktikanter deltok på denne opplæringen. Hver deltaker hadde 15 minutter med praktisk interaksjon med både oppgavetrenere (tibia og humerus) og utstyret som var nødvendig for å utføre IO-linjeplasseringen. Foreløpige data om oppgavetrenernes fordeler og ulemper og forbedringer av oppgavetrener ble samlet inn umiddelbart etterpå.
Fordeler identifisert av deltakere som er spesifikke for bruk av oppgavetreneren, inkluderte: a) høyt nivå av anatomisk likhet, b) evne til å finne anatomiske landemerker, c) taktil følelse som ligner vev, d) reproduserbarhet av den praktiserte prosedyren, e) evne til å aspirere benmarg for å gi tilbakemelding om fullføring av oppgaver, og f) passende taktil tilbakemelding når du borer inn i beinet. Evnen til å gjenvinne og gjenbruke oppgavetreneren, og den lave prisen på treneren var viktige funksjoner identifisert av deltakerne. Videre foreslo fakultet og praktikanter å legge til et hud- eller stofflag for å ligne hudens taktile tilbakemelding og øke lemlengden. Etter trening ble vevsmediet gjenvunnet og gjenbrukt (figur 1).
Figur 1: Flytskjema som viser prosessen for å opprette en intraosseøs oppgavetrener for linjeplassering. Klikk her for å se en større versjon av denne figuren.
Figur 2: Intraosseøs linjeplassering med tibial oppgavetrener utført med trener med ugjennomsiktig vevsmedium. (A) Boring i beinet med et kommersielt tilgjengelig IO-plasseringsbor. (B) Aspirasjon av marg etter vellykket plassering av IO-linjen. Forkortelse: IO = intraosseous. Klikk her for å se en større versjon av dette tallet.
Figur 3: 3D-designede og 3D-printede komponenter som komponerer tibial task trainer. (A) 3D-designet tibia; (B) 3D-printet tibia; (C) 3D-designet mugg og av vevet rundt tibia og pinner; (D) 3D-printet form av vevet rundt tibia og pinner. Klikk her for å se en større versjon av dette tallet.
Figur 4: Ugjennomsiktige og gjennomsiktige vevsmedier gir mulighet for tilpasning av trening . (A) og (C) representerer en humerus og tibial oppgavetrener laget med ugjennomsiktig vevsmedium. (B) og (D) representerer en humerus og tibial oppgavetrener laget med gjennomsiktig medium. Legg merke til synligheten av skjelettstrukturer med gjennomsiktig vevsmedium. Klikk her for å se en større versjon av dette tallet.
Figur 5: Anatomiske avstander er like mellom CT-skanningsdata som brukes til å lage oppgavetreneren og fra den fullt sammensatte IO-linjeplasseringen humerus oppgavetrener. (A) Bentykkelse (mm), (B) huddybde (mm) og (C) senesporet (mm) fra CT-skanningsdataene er anatomisk lik (D) Bentykkelse (mm), (E) huddybde (mm), og (F) senespor i CT-skanning av de ferdigmonterte humerus-oppgavetrenerne. Forkortelser: CT = computertomografi; IO = intraosseous. Klikk her for å se en større versjon av dette tallet.
| Struktur | Omtrentlig utskriftstid (h) | PLA-filamentkrav (estimert, i g) | Materialkostnad (dollar) |
| Box Topp | 32 | 800 | 16.00 |
| Box Bunn | 17 | 450 | 9.00 |
| Bein | 9 | 200 | 4.00 |
| Maskinvare | 2 | 16 | 0.32 |
Tabell 1:Liste over tid og kostnader for hver komponent som kreves.
| Struktur | Volum (L) | Estimert kostnad |
| Vevshulrom | 2,06 l | N/a |
| Bone Struktur | 0,313 l | N/a |
| Vevshule – Benstruktur | 1.747 l | $ 35 (gjenvinnbar) |
| Marg hulrom | 0,075 l | $ 0,25 |
Tabell 2: Medievolum for vev.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
I denne protokollen beskriver vi en 3D-oppgavetreners utviklingsprosess for å trene den sjeldent utførte og livreddende prosedyren for IO-linjeplassering. Denne selvstyrte protokollen bruker 3D-utskrift for å produsere hoveddelen av modellstrukturene, mens resten av komponentene som brukes til å montere oppgaveopplæringen, er allestedsnærværende, lett oppnåelige og giftfrie materialer som kan gjenvinnes og gjenbrukes. 3D-oppgavetreneren er rimelig og krever minimal kompetanse for å lage og montere. Vi har med hell brukt vår 3D IO-linjeplasseringsoppgavetrener i UNMC Department of Anesthesiology treningsøkter, som inkluderte en demonstrasjon og praktisk praksis av fakultet og praktikanter til stede. Gjennomførbarhetsdataene som ble samlet inn under opplæringen indikerte at deltakerne var enige om at oppgavetrenerne hadde en høy grad av anatomisk troskap til faktisk pasientanatomi, og de var videre fornøyd med den taktile tilbakemeldingen fra enheten.
Kritiske trinn i produksjonen av en oppgavetrener er delt inn i to seksjoner: 3D-design og fabrikasjon; oppgave trener montering. Når du lager 3D-modellene som brukes til å danne oppgavetrenerne, var tilstrekkelig segmentering kritisk. Uten overholdelse av anatomisk nøyaktighet kan det hende at sluttproduktet ikke er riktig. Terskelsegmentering krever oppmerksomhet på oppgavetrenerens interesseområde for å sikre at overflatedetaljer er til stede for å gi modellene riktig form og tykkelse. Tibia- og humerustykkelse er spesielt viktig for å gi tilstrekkelig taktil tilbakemelding under simulert plassering av IO-linjen. Prosessen for segmentering av vevs- og beinkomponenter kan være utrolig tidkrevende, da CT-skanninger ofte bruker joderte kontrastmidler, som har overlappende HU-områder med bein. Dermed kan anatomiske strukturer gjennomsyret med jodert kontrast være uhensiktsmessig inkludert i beinsegmenter.
Riktig forberedelse og lagring av vevsmediene er kritisk. Overholdelse av temperaturer som er angitt i protokollen er nødvendig for å forhindre skade på 3D-printede strukturer og sikre maksimal levetid for vevsmedier. Spesielt må vevsmediene forbli kalde eller frosne og dekket av plast når de ikke brukes til å forhindre mikrobiell vekst og dehydrering. Tilgjengeligheten og nøyaktigheten av pasientens CT-skanninger kan legge begrensninger på å opprette IO-linjeoppgavetreneren. Det ser ut til å være begrensninger på generering av modeller når det gjelder kravene til 3D-printing. Under 3D-utskriftsprosessen avsettes lag av termoplast på toppen av tidligere lag eller støttemateriale. Noen modeller og foreslåtte trenere produsert av denne prosessen kan overskride størrelsesgrensene til en 3D-skriver og kreve endring av skriverstørrelsen eller komponentene for å tillate utskrift som beholder trenerens kritiske aspekter (for eksempel margplass for IO-modeller). Andre formater som er egnet for oppgavetreneropprettelse inkluderer magnetisk resonansbilder. Bildemodaliteten viser imidlertid forskjellige datatyper, noe som krever endringer i denne protokollen.
Denne IO-linjeplasseringsoppgavetreneren har flere innovative funksjoner, inkludert reduserte kostnader sammenlignet med andre oppgavetrenere, og muligheten til å tilpasse oppgavetreneren til forskjellige anatomiske steder (humerus og tibia) og forskjellige anatomier, inkludert mann eller kvinne, og høy og lav kroppsmasseindeks. Videre kan vevsmedieblandingen fremstilles i forskjellige fortetninger, noe som muliggjør varierende nivåer av visualisering av skjelettstrukturer eller landemerker, om ønskelig. Gitt sin anatomiske nøyaktighet og gjenbrukbare natur av delkomponentene, gir denne oppgavetreneren unike medisinske prosedyreopplæring og simuleringsforskningsmuligheter, inkludert overføring av prosessuelle ferdigheter fra et simulerings- eller treningsmiljø til et test- eller klinisk miljø. High-fidelity og rimelige attributter til denne oppgavetreneren gjør det til et utmerket valg for å evaluere prosessuell ferdighetsoppkjøp og nedbrytning hos helsepersonell og leverandører. Videre gir trenerens overlegne anatomiske troskap muligheter til å evaluere effekten av ergonomi på treningsarr og nedbrytning av trenerstruktur, som er et raskt voksende tema av interesse for dette feltet17. Samlet sett kan bruken av dette verktøyet fremme en bedre forståelse av beste praksis i medisinsk simulering18.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har ingenting å avsløre.
Acknowledgments
Finansieringen til dette prosjektet ble gitt utelukkende fra institusjonelle eller avdelingsressurser.
Materials
| Name | Company | Catalog Number | Comments |
| 3D printer filament, poly-lactic acid (PLA), 1.75 mm | N/A / Hatchbox | Base for 3D printing molds, bone structures, and bone / mold hardware | |
| 3D printer, Original Prusa i3 MK3 | Prusa | To print molds, bone structures, and bone / mold hardware | |
| bolts, 1/4”, flat / countersunk or round head, various lengths | N/A | Hardware used to hold mold casing halves together during casting | |
| Bucket, 5 gallon, plastic | N/A | To hold tissue media during media preparation | |
| chlorhexidine, 4% solution w/v | Animicrobial additive for tissue media | ||
| drill, household 3/8’ chuck | N/A | To stir tissue media during media preparation | |
| food coloring, red (optional) | N/A | Coloring additive for simulated bone marrow | |
| gelatin, unflavored | Knox | Base for tissue media | |
| hex nuts, 1/4” | N/A | Hardware used to hold mold casing halves together during casting | |
| Non-stick cooking spray | N/A | Mold releasing agent | |
| plastic bags, ziplock | Ziplock | To store tissue media | |
| psyllium husk fiber, finely ground, orange flavored, sugar free (optional) | Procter & Gamble | Metamucil | Opacity / Echogenicity additive for tissue media |
| screwdriver, flat / Phillips (matching bolt hardware) | N/A | To tighten mold casing hardware | |
| silicone gasket cord stock, 3 mm, round, various lengths | N/A | Gasket media for mold casings | |
| spray adhesive, Super 77 (optional) | 3M | Agent used to improve bed adhesion during 3D printing | |
| stirring paddle / rod | To stir tissue media during media preparation | ||
| turkey baster, household, 60 mL | N/A | To inject simulated bone marrow into bone marrow cavity | |
| ultrasound gel | Base for simulated bone marrow | ||
| water, tap | Used in both tissue media and simulated bone marrow |
References
- Farrow, D. R. Reducing the risks of military aircrew training through simulation technology. Performance and Instruction. 21 (2), 13-18 (1982).
- Lateef, F. Simulation-based learning: Just like the real thing. Journal of Emergencies, Trauma, Shock. 3 (4), 348-352 (2010).
- Gaba, D. M. Crisis resource management and teamwork training in anaesthesia. British Journal of Anaesthesia. 105 (1), 3-6 (2010).
- Al-Elq, A. H. Simulation-based medical teaching and learning. Journal of Family & Community Medicine. 17 (1), 35-40 (2010).
- Hays, R. T., Singer, M. J. Simulation fidelity in training system design: Bridging the gap between reality and training. , Springer Science & Business Media. (2012).
- Green, M., Tariq, R., Green, P. Improving patient safety through simulation training in anesthesiology: Where are we. Anesthesiology Research and Practice. , 4237523 (2016).
- Olympio, M. A.
- Murphy, M., et al. Simulation-based multidisciplinary team training decreases time to critical operations for trauma patients. Injury. 49 (5), 953-958 (2018).
- Jensen, A. R., et al. Simulation-based training is associated with lower risk-adjusted mortality in ACS pediatric TQIP centers. Journal of Trauma and Acute Care Surgery. 87 (4), 841-848 (2019).
- Gupta, A., Peckler, B., Schoken, D. Introduction of hi-fidelity simulation techniques as an ideal teaching tool for upcoming emergency medicine and trauma residency programs in India. Journal of Emergencies, Trauma, and Shock. 1 (1), 15-18 (2008).
- Risser, D. T., et al. The potential for improved teamwork to reduce medical errors in the emergency department. Annals of Emergency Medicine. 34 (3), 373-383 (1999).
- Shapiro, M. J., et al. Simulation based teamwork training for emergency department staff: Does it improve clinical team performance when added to an existing didactic teamwork curriculum. Quality and Safety in Health Care. 13 (6), 417-421 (2004).
- Schebesta, K., et al. Degrees of reality: Airway anatomy of high-fidelity human patient simulators and airway trainers. Anesthesiology. 116 (6), 1204-1209 (2012).
- Crofts, J. F., et al. Training for shoulder dystocia: A trial of simulation using low-fidelity and high-fidelity mannequins. Obstetrics and Gynecology. 108 (6), 1477-1485 (2006).
- Cox, R. W., et al. A (sort of) new image data format standard: NiFTI-1. 10th Annual Meeting of the Organization for Human Brain Mapping. , 22 (2004).
- Bude, R., Adler, R. An easily made, low-cost, tissue-like ultrasound phantom material. Journal of Clinical Ultrasound. 23 (4), 271-273 (1995).
- Fisher, J., et al. Clinical skills temporal degradation assessment in undergraduate medical education. Journal of Advances in Medical Education & Professionalism. 6 (1), 1-5 (2018).
- Buzink, S. N., Goossens, R. H., Schoon, E. J., de Ridder, H., Jakimowicz, J. J. Do basic psychomotor skills transfer between different image-based procedures. World Journal of Surgery. 34 (5), 933-940 (2010).
