أظهرت هذه الدراسة الرصدية المستقبلية أن نظام التعلم المخصص المدعوم بالذكاء الاصطناعي حسن بشكل كبير كفاءة أجهزة غرفة العمليات على المدى الطويل، وقلل من حوادث السلامة، وحسن كفاءة التدريب مقارنة بالتعليمات التقليدية.
Research Article
أظهرت هذه الدراسة الرصدية المستقبلية أن نظام التعلم المخصص المدعوم بالذكاء الاصطناعي حسن بشكل كبير كفاءة أجهزة غرفة العمليات على المدى الطويل، وقلل من حوادث السلامة، وحسن كفاءة التدريب مقارنة بالتعليمات التقليدية.
غالبا ما يعتمد التدريب التقليدي على أجهزة غرفة العمليات على تعليم موحد يناسب الجميع، وينتج عن ضعف في الاحتفاظ بالمهارات على المدى الطويل، ويساهم في الأخطاء الجراحية التي يمكن الوقاية منها. افترضت الدراسة الحالية أن نظام التعلم المخصص المدعوم بالذكاء الاصطناعي يمكن أن يحسن الكفاءة التقنية وسلامة المرضى وكفاءة التدريب من خلال تخصيص الممارسة لتناسب ملفات المتعلم الفردية. تم تطوير نظام تعلم مخصص مدعوم بالذكاء الاصطناعي (APLS) يجمع بين التنمذجة الظاهرية للمتعلمين المعتمدة على البيانات، والتعرف على الأدوات المعتمدة على التعلم العميق، والتنبؤ الجماعي بمسارات الكفاءة، والتعلم المعزز لتقديم تغذية راجعة متعددة الوسائط تكيفية أثناء التدريب القائم على المحاكاة. في دراسة رصدية مستقبلية مع تخصيص الأقسام القائمة على العنقود (مع إدخال عناصر شبه تجريبية) في مستشفى ثالثي، أكمل 107 من طاقم غرفة العمليات متعدد التخصصات إما المنهج القائم على الذكاء الاصطناعي أو التدريب القياسي بقيادة المدربين. كانت النتيجة الأساسية هي الاحتفاظ بكفاءة التعامل مع الأدوات لمدة 12 شهرا، مقاسة بمقياس كفاءة الأدوات حول العمليات (PIPS)؛ شملت النتائج الثانوية حوادث سلامة غرفة العمليات، وقت التدريب، وتكلفة لكل محترف كفء. مقارنة بالتدريب التقليدي، ارتبط النظام الشخصي بدرجات كفاءة أعلى بكثير خلال 12 شهرا (APLS 84.1 ± 9.2 مقابل 58.9 ± 18.7، < 0.001)، وعدد أقل من الأحداث المتعلقة بالسلامة في الممارسة السريرية، ونصف وقت التدريب مع تقليل التكاليف الإجمالية للتدريب بنسبة 38.3٪. كما تفوقت مجموعة الذكاء الاصطناعي على مكوناتها الفردية في التعلم الآلي عند التنبؤ بأداء المتعلمين واختيار استراتيجيات التغذية الراجعة. تشير هذه النتائج إلى أن دمج اكتشاف الأنماط الظاهرية غير المراقبة، والتنبؤ المراقب، والتعلم المعزز في منصة موحدة يمكن أن يعزز تدريب أجهزة غرفة العمليات بشكل ملموس، وقد يوفر إطارا قابلا للتوسع لتطوير القوى العاملة المدعومة بالبيانات في الرعاية حول العمليات.
تمثل بيئة غرفة العمليات واحدة من أكثر بيئات الرعاية الصحية تعقيدا، حيث يؤثر التعاون متعدد التخصصات بشكل مباشر على نتائج سلامة المرضى وجودة الجراحة 1,2. يساهم التدريب غير الكافي على كفاءة الأجهزة في ما يقدر ب 15,000 خطأ جراحي يمكن الوقاية منه سنويا في المستشفيات الصينية وحدها، مع وجود أعطال في التواصل ونواقص تقنية تمثل 72٪ من الأحداث السلبية حول العمليات3. تعتمد أساليب التدريب التقليدية على منهجيات موحدة تفشل في أخذ اختلافات التعلم الفردية، واختلافات المعالجة الإدراكية، ومسارات تطوير الكفاءة الشخصية4،5.
من الناحية النظرية، توضح عدة أطر تعليمية لماذا قد تكون الأساليب الشخصية أفضل من التعليم الموحد في المجالات النفسية الحركية المعقدة. تفترض نظرية الحمل المعرفي6 أن تصميم التعليمات يجب أن يأخذ في الاعتبار القدرة المحدودة للذاكرة العاملة، خاصة عندما يتعين على المتعلمين معالجة معلومات إجرائية ومفاهيمية وإدراكية جديدة في بيئات عالية الدقة، مثل غرفة العمليات7. من خلال تكييف صعوبة المحتوى وطريقة العرض مع الملفات المعرفية الفردية، يمكن للأنظمة الشخصية تحسين التوازن بين الحمل المعرفي الداخلي والخارجي. يشير إطار الممارسة المتعمدة أيضا إلى أن اكتساب المهارات يتضاعف عندما يتضمن التدريب مستويات تحدي فردية، وردود فعل تصحيحية فورية، وتكرار مركز على نقاط الضعف المحددة، وهي عناصر يصعب تنفيذها بشكل متسق في نماذج التدريب التقليدية لكنها تنفذ بشكل طبيعي من خلال التكيف الخوارزمي8. بالإضافة إلى ذلك، يوفر منطقة التطور القريب أساسا نظريا لتعديل الصعوبة التكيفية، مما يشير إلى أن التعلم يكون أكثر فعالية عندما تضبط المهام لتقع خارج قدرة المتعلم الحالية على الاستقلالية9. تدعم هذه الاعتبارات النظرية مجتمعة الفرضية القائلة بأن نظام الذكاء الاصطناعي القادر على تعديل معلمات التدريس ديناميكيا حسب خصائص المتعلم الفردية يجب أن يتفوق على التدريب الثابت الذي يناسب الجميع.
قدمت التطورات الأخيرة في التعلم الآلي وتحليلات الأداء في الوقت الحقيقي إمكانات كبيرة لمعالجة التحديات التعليمية6،7. أظهرت تطبيقات الذكاء الاصطناعي المعاصرة في التعليم الجراحي واعدا، حيث أظهرت الدراسات تحسنا كبيرا في اكتساب المهارات عند تطبيق أنظمة التغذية الراجعة المدعومة بالذكاء الاصطناعي9. ومع ذلك، فإن منصات التدريب الجراحي القائمة على الذكاء الاصطناعي، بما في ذلك الأنظمة التجارية المتاحة مثل جراحة اللمس والمنصات المشابهة التي راجعتها دراسةسابقة 8، اعتمدت بشكل أساسي على بنى خوارزمية واحدة، عادة شبكات عصبية معزولة أو أشجار قرار، توفر تدريب الإجراءات من خلال أدلة بصرية خطوة بخطوة دون تغذية راجعة تكيفية في الوقت الحقيقي أو تحسين مسار التعلم الفردي. الدراسات السابقة لم تدمج معالجة دمج المستشعرات متعددة الوسائط لتدفقات البيانات غير المتجانسة (تتبع العين، التقاط الحركة، والمراقبة الفسيولوجية) مع آليات تغذية راجعة تكيفية تتكيف ديناميكيا مع مسارات التعلم الفردية من خلال التعلم المعزز10,11. علاوة على ذلك، لم تدمج الأنظمة الحالية اكتشاف الأنماط الظاهرية غير المراقبة مع طرق التنبؤ الخاضع للإشراف ضمن إطار تعليمي موحد12,13. تمثل هذه الفجوات فرصا ضائعة، حيث تشير الأدبيات النظرية حول التعلم الشخصي بقوة إلى أن الأنظمة التكيفية المتكاملة والمتعددة المكونات يجب أن تكون أكثر فعالية من النهج أحادي المكون14.
تعاني الأطر التعليمية الحالية في البيئات المحيطة بالعمليات من عدة قيود مهمة 8,15. توفر نماذج التدريب المهني التقليدية تجارب تعلم غير متسقة، مع تفاوت كبير في جودة المعلمين، وتوحيد التغذية الراجعة، وموثوقية تقييم الكفاءة. هذه الأساليب لا تستوعب أنماط التعلم المتنوعة، ولا تتكيف مع معدلات التقدم الفردية، وتفتقر إلى التحليلات المتقدمة اللازمة لتحسين النتائج التعليمية11,15. لمعالجة هذه الاحتياجات غير الملباة، تقدم هذه الدراسة نظام التعلم الشخصي المدعوم بالذكاء الاصطناعي (APLS)، وهو تدخل تعليمي شامل يوحد أربعة مكونات متميزة خوارزميا ضمن منصة تكيفية واحدة مصممة لتدريب أجهزة غرفة العمليات متعددة التخصصات. حسب علمنا، يعد هذا النظام من أوائل النظام الذي دمج القدرات التالية تجريبيا في أدبيات التعليم الجراحي: بنية هجينة تجمع بين التجميع غير المراقب لاكتشاف النمط الظاهري القائم على البيانات مع التصنيف المراقب لتعيين الأنماط الظاهرية في الوقت الحقيقي؛ خط أنابيب تعلم نقل يتكيف مع شبكة عصبية الالتفافية مدربة مسبقا مع التعرف البصري على الأجهزة الجراحية باستخدام بيانات محدودة خاصة بالمجال؛ وحدة تعلم تعزيزي تقوم بشكل تكراري بتحسين التغذية الراجعة وتوقيت وطريقة التفاعل مع المتعلم؛ وإطار عمل تنبؤ جماعي يجمع مخرجات من خوارزميات متعددة غير متجانسة للتنبؤ بمسارات الكفاءة بدقة أكبر من أي نموذج مكون بمفرده. من خلال تقييم APLS مقابل التدريب القياسي الذي يقوده المدرب من خلال مقارنة مستقبلية لمدة 12 شهرا بين نتائج التعلم، ومؤشرات الأداء السريري، وكفاءة التدريب، والفعالية من حيث التكلفة، تسعى هذه الدراسة إلى تحديد ما إذا كانت منصة موحدة موحدة مدفوعة بالذكاء الاصطناعي يمكن أن تطور بشكل فعال التعليم حول الأدوات حول العمليات خارج الممارسة التربوية الحالية.
Access restricted. Please log in or start a trial to view this content.
أجريت هذه الدراسة وفقا لإعلان هلسنكي وتمت الموافقة عليها من قبل لجنة الأخلاقيات في مستشفى سير ران ران شو، كلية الطب بجامعة تشجيانغ (رقم الموافقة: 0480، تمت الموافقة في 10 أغسطس 2025). قدم جميع المشاركين موافقة مكتوبة مستنيرة قبل المشاركة.
تصميم الدراسة والبيئة
أجريت دراسة رصدية مستقبلية مع تخصيص أقسام قائمة على العنقود من يناير 2024 إلى فبراير 2025 في مستشفى سير رون رون شو، كلية الطب بجامعة تشجيانغ، هانغتشو، الصين. تقدم استراتيجية التخصيص القائمة على الأقسام عناصر شبه تجريبية لهذا التصميم؛ وبناء عليه، يجب تفسير الاستدلالات السببية بحذر مناسب16. استخدمت الدراسة مقارنة مجموعات موازية مع التخصيص بناء على التوزيع الإداري، لمنع مشاركة المعلومات بين المجموعات. تم تنفيذ التسجيل الطبقي لضمان خصائص أساسية قابلة للمقارنة. حافظ المستشفى على مختبر محاكاة مخصص مجهز ببيئات غرف عمليات موحدة، وأدوات جراحية، ومعدات مراقبة، وقدرات تسجيل فيديو.
اختيار العينة والمشاركين
تم استقطاب المهنيين الصحيين من خلال أخذ عينات عشوائية طبقية من جميع الموظفين المؤهلين حول العمليات (n = 342) في مستشفى سير ران رن شو بين نوفمبر 2023 ويناير 2024. شملت متغيرات التصنيف الدور المهني (الممرضون، التقنيون الجراحيون، وفنيو التخدير)، ومستوى الخبرة (<5، 5–10، 10–15، و>15 سنة)، ومستوى التعليم (درجات مشاركة، بكالوريوس، وماجستير)، والقسم السريري (الجراحة العامة، جراحة العظام، جراحة القلب والأوعية الدموية، وتخصصات أخرى). تم تطبيق أرقام عشوائية مولدة بالحاسوب (برنامج R، set.seed = 12345 لإمكانية التكرار) داخل كل طبقة باستخدام وظيفة العينة لضمان أخذ عينات تمثيلية عبر جميع الفئات الديموغرافية والمهنية. تم حساب حجم العينة باستخدام برنامج G*Power 3.1.9.7 بناء على بيانات الطيران الأولية (n = 30) مع حجم تأثير متوقع هو كوهين d = 0.60، ومستوى دلالة ثنائي الذيل α = 0.05، وقوة إحصائية مرغوبة (1 − β) = 0.80، مما يشير إلى متطلب حد أدنى يبلغ 90 مشاركا (45 لكل مجموعة). لمراعاة معدل التسرب المتوقع بنسبة 15٪ (التسرب) بناء على البيانات التاريخية المؤسسية، تم تحديد الهدف في التسجيل عند 104 مشاركين. وصل التسجيل الفعلي إلى 120 مشاركا، مما وفر 87٪ من الطاقة بعد احتساب التراجع النهائي البالغ 11٪.
معايير الإدراج المطلوبة
(1) العمل الحالي في مستشفى سير ران رن شو في أدوار ما قبل العمليات؛ (2) خبرة لا تقل عن 6 أشهر في غرفة العمليات؛ (3) التوفر طوال مدة الدراسة البالغة 13 شهرا؛ (4) الاستعداد للمشاركة في جميع أنشطة التقييم؛ و(5) المعرفة الأساسية بالحاسوب، والتي تعرف بأنها القدرة على التنقل في متصفحات الويب واستخدام مدخلات لوحة المفاتيح/الفأرة بشكل مستقل.
معايير الاستبعاد المشمولة
إجازة ممتدة مخططة خلال فترة الدراسة، والمشاركة في برامج تدريب أدوات جراحية أخرى خلال الأشهر الستة الماضية، وضعف بصري لا يمكن تصحيحه إلى 20/40 أو أفضل، والتسجيل الحالي في برامج الدرجات الرسمية في تكنولوجيا الجراحة. تم استقطاب ما مجموعه 120 مشاركا في البداية، حيث أكمل 107 منهم بروتوكول الدراسة الكامل (معدل إكمال 89.2٪). شملت أسباب الانسحاب تغييرات الوظائف (n = 7)، والظروف الشخصية (n = 4)، وصعوبات متعلقة بالتكنولوجيا (n = 2). أظهر تحليل الانحدار باستخدام الانحدار اللوجستي عدم وجود ارتباط ذي دلالة كبيرة بين الانسحاب والخصائص الأساسية بما في ذلك العمر (OR = 1.03، p = 0.52)، الجنس (OR = 0.87، p = 0.85)، الدور المهني (p = 0.73)، أو درجات PIPS الأساسية (OR = 1.01، p = 0.67)، مما يشير إلى نمط مفقود عشوائي تم تأكيده في اختبار MCAR الخاص بليتل (χ2 = 43.2، df = 38، p = 0.26).
توزيع المجموعات
لتقليل تأثيرات التلوث الكامنة في التدخلات التعليمية، تم توزيع المشاركين على مجموعات تدخل أو مجموعة ضابطة بناء على الانتماء الإداري. تم مطابقة الأقسام (n = 8) إلى أزواج بناء على حجم الحالات الجراحية وحجم الطاقم ثم تم تعيينها عشوائيا إلى حالات APLS أو حالات التحكم باستخدام العشوائية المولدة بالحاسوب (برنامج R، seed = 54321). تم اعتماد هذا النهج القائم على التجمعات لأن العشوائية الفردية داخل الأقسام كانت تعرضها لخطر التلوث المتبادل بشكل كبير مع تبادل الزملاء المعرفة والخبرات التدريبية. من المعترف بأن ثقافة القسم، وجودة القيادة، والممارسات التعليمية الأساسية، ومزيج الحالات قد تؤثر بشكل مستقل على النتائج، مما يمثل مصادر محتملة للارتباك المتبقي لا يمكن معالجته بالكامل في تصميم عشوائي غير فردي16. ضمنت العينة الطبقية خصائص أساسية قابلة للمقارنة. تم تعمياء مقيمو النتائج الذين أجروا تقييمات PIPS عن التعيين الجماعي من خلال معرفات المشاركين المشفرة. تلقى المحللون الإحصائيون مجموعات بيانات غير محددة الهوية مع تسميات مجموعات مخفية حتى اكتمال التحليلات الأولية.
بنية نظام APLS وتنفيذها التقني
يتكون APLS من أربعة مكونات حسابية متكاملة تعمل على منصة سحابية (جدول المواد). تم تطوير النظام باستخدام أطر تعلم عميق مفتوحة المصدر وواجهة أمامية قائمة على الويب (انظر جدول المواد) مع بروتوكولات RESTful API (واجهة برمجة تطبيقات النقل التمثيلي للحالة، تتيح التواصل الموحد القائم على HTTP بين العميل الأمامي ووحدات التعلم الآلي على جانب الخادم)، والمصادقة المعتمدة على JSON Web Token (JWT) (تضمن أن المستخدمين المصرح لهم ومكونات النظام فقط يمكنهم الوصول إلى بيانات المتعلمين ونقاط نهاية النماذج)، وتشفير طبقة النقل TLS 1.3 (تأمين جميع البيانات أثناء النقل بين أجهزة العميل، وخادم التطبيق، والبنية التحتية المعتمدة على النماذج السحابية) لأمن البيانات. يتم توفير وصف كامل لبيئة البرمجيات، بما في ذلك مواصفات التبعية (requirements.txt)، وهيكل ملف التكوين، وأوامر تهيئة خط أنابيب البيانات، في الملف التكميلي 1.
إعداد الأجهزة والمعايرة
قبل كل جلسة تدريب، تم إجراء تسلسل معايرة الأجهزة التالي. تم وضع جهاز تتبع العين (انظر جدول المواد) على بعد 60–70 سم من عين المشارك على قاعدة قابلة لتعديل الارتفاع، وتم تنفيذ المعايرة باستخدام بروتوكول الشركة المصنعة القياسي ذو 9 نقاط بدقة زاوية رؤية ≤0.5°. تم ترتيب مصفوفة مكونة من ثماني كاميرات (انظر جدول المواد) في تكوين دائري بنصف قطر 2.5 متر من مركز محطة التدريب، موضوعة على ارتفاعات متناوبة بين 1.8 متر و2.4 متر، وتمت معايرتها باستخدام طريقة العصا الخاصة بالشركة المصنعة مع عتبة خطأ متبقية تبلغ ≤0.3 مم. تم تثبيت علامات عاكسة (n = 16، القطر = 12.7 مم) على معالم تشريحية موحدة على اليدين والمعصمين وفقا لبروتوكول وضع العلامات الموضح في الملف التكميلي 2. تم تركيب أجهزة المراقبة الفسيولوجية وفقا لتعليمات الشركة المصنعة والتحقق من جودة الإشارة قبل بدء الجلسة.
المكون 1: نظام تصنيف النمط الظاهري للمتعلم
يستخدم نظام التصنيف نهجا هجينا من مرحلتين يجمع بين التعلم غير المراقب والتعلم تحت الإشراف. في المرحلة الأولى، يستخدم تجميع k-means على بيانات التقييم الأساسية لاكتشاف مجموعات المتعلمين الطبيعية. تشمل ميزات الإدخال (n = 37) درجات مجالات PIPS الأساسية (4 ميزات)، درجات مخزون أسلوب التعلم VARK (4 ميزات)، سرعة المعالجة الإدراكية من مهام وقت الاستجابة المحوسبة (3 ميزات)، درجات راحة التكنولوجيا (ميزة واحدة)، المتغيرات الديموغرافية (3 ميزات)، سعة الذاكرة العاملة من اختبارات مدى الأرقام (ميزتان)، التفكير المكاني من مهام الدوران الذهني (ميزة واحدة)، درجات المهارات الحركية الدقيقة الأساسية (3 ميزات)، الصفات الشخصية الخمس الكبرى (5 ميزات)، ومقاييس الأداء السابقة من سجلات المؤسسات (3 ميزات). تم توفير مواصفات المعالجة المسبقة التفصيلية، وإجراءات تحسين المعاملات الفائقة، وترتيبات أهمية الميزات في الملف التكميلي 1 (القسم S2). تم وصف المجموعات الثلاثة الناتجة بأنها سريعة (30.9٪)، متوسطة (49.1٪)، ومتعلمة بطيئة (20.0٪). في المرحلة الثانية، يتم إجراء التصنيف المراقب باستخدام آلات دعم متجهة مدربة على تسميات العنقود لتمكين التصنيف في الوقت الحقيقي للمتعلمين الجدد. يتم الإبلاغ عن مساحة البحث الكاملة للمعلمات الفائقة، ونتائج التحقق المتقاطع، ومقاييس التصنيف لكل فئة في الملف التكميلي 1 (القسم S2.3).
المكون 2: دمج البيانات متعدد الوسائط ونظام دمج المستشعرات
تدمج المنصة خمسة تدفقات بيانات متجانسة: بيانات تتبع العين، بيانات التقاط الحركة، المراقبة الفسيولوجية (تباين معدل ضربات القلب، استجابة الجلد الجلفانية، والكورتيزول اللعابي)، تحليلات الأداء عبر تحليل الفيديو الآلي، وتسجيل التفاعلات. تم وصف مواصفات المستشعرات التفصيلية، وخطوط معالجة مسبقة، وإجراءات استخراج الميزات، وبنية الشبكة العصبية الالفافية لتقدير الحالة المعرفية في الملف التكميلي 1 (القسم S3). ينتج نظام الدمج تمثيلات للحالات الإدراكية يتم تحديثها كل ثانية واحدة وترمز الانتباه المتكامل، والتنفيذ الحركي، والحمل المعرفي، وأداء المهمة.
المكون 3: محرك التحليلات التنبؤية
يجمع نظام التنبؤ الجماعي بين ثلاث خوارزميات تكميلية: الغابة العشوائية، آلة تعزيز التدرج (XGBoost)، وشبكة عصبية عميقة مع طبقات ذاكرة قصيرة المدى الطويلة (LSTM) تعالج التضمينات الإدراكية كسلاسل زمنية. يستخدم تجميع المجموعات تصويتا ناعما موزنا مع أوزان محسنة باستخدام بيانات التحقق. المواصفات الخوارزمية الكاملة، وقيم المعاملات الفائقة، وإجراءات التدريب، وتشخيصات التقارب مقدمة في الملف التكميلي 1 (القسم S4). تم فصل مجموعات بيانات التدريب والتحقق والنشر والتقييم بشكل صارم؛ استخدم تطوير النموذج بيانات حصرية من دراسة تجريبية سابقة ضمت 150 مشاركا (80٪ تدريب، 20٪ تحقق)، وشكل المشاركون الحاليون في الدراسة مجموعة بيانات نشر محفوظة بالكامل. استخدم إعادة التدريب المتدحرج أثناء النشر فقط بيانات التفاعل السابقة لمدة 7 أيام ولم يدمج بيانات تقييم النتائج، مما منع تسرب نتائج التقييم إلى نماذج التنبؤ.
المكون 4: نظام تغذية راجعة تكيفية قائم على التعلم المعزز
يستخدم نظام التغذية الراجعة التكيفي التعلم Q-learning، حيث يصيغ اختيار التغذية الراجعة كعملية قرار ماركوف. فضاء الحالة (25 بعدا) يرمز الحالة المعرفية الحالية، السياق الزمني، معلمات المهمة، وخصائص المتعلم. تتكون فضاء الفعل من 25 إجراء منفصلا يمثل تركيبات من أسلوب التغذية الراجعة، والتوقيت، والتحديدية. تتضمن وظيفة المكافأة تحسين الأداء، وتجنب الحمل الزائد المعرفي، والحفاظ على التفاعل، وتصارع التصحيح. تم تفصيل الصياغة الرياضية لفضاء الحالة، فضاء الأفعال، دالة المكافأة، معلمات تحديث التعلم Q، ومعايير التقارب في الملف التكميلي 1 (القسم S5).
سير عمل جلسات التدريب
تسير كل جلسة تدريب في APLS وفقا للتسلسل الموحد التالي. (1) يقوم المشارك بتسجيل الدخول إلى منصة APLS باستخدام بيانات الاعتماد المخصصة في محطة التدريب المخصصة. (2) تم التحقق من معايرة الأجهزة (متتبع العين، التقاط الحركة، والحساسات الفسيولوجية) مع فحوصات جودة تلقائية تؤكد سلامة الإشارة المقبولة. (3) يقوم النظام باسترجاع تصنيف النمط الظاهري الحالي للمتعلم والمدرب المتوقع للكفاءة لتكوين معلمات الجلسة. (4) تقدم وحدة إحماء أولية (5 دقائق) مراجعة لمحتوى الجلسة السابقة، مكيفة مع نمط احتفاظ المشارك. (5) تقدم وحدة التدريب الأساسية (40-50 دقيقة) تحديد الأدوات، والتعامل معها، والمهام الإجرائية عند مستويات الصعوبة التي تحددها الخوارزمية التكيفية، مع تقديم تغذية راجعة متعددة الوسائط في الوقت الحقيقي وفقا لسياسة التعلم التابع للQ. (6) يتم عرض ملخص الجلسة ولوحة تحكم للأداء، يظهران التقدم المرتبط بمسار التعلم الشخصي للمشارك ومعالم الكفاءة. (7) يكمل المشارك استبيان رضا موجز (دقيقتان). (8) يتم رفع بيانات الجلسة تلقائيا إلى خادم السحابة لتحديث النماذج.
إجراءات مجموعة التحكم
تلقت مجموعة الضابطة تدريبا تقليديا في غرفة العمليات باستخدام الأجهزة وفقا لبروتوكولات مؤسسية موحدة. تضمن التدريب جلسة تعليمية أولية لمدة 8 ساعات من قبل معلمي التمريض الكبار في غرفة العمليات (OR)، تغطي فئات الأجهزة، والتسميات، ومبادئ التعامل، وتقنيات التعقيم؛ دليل تدريب مطبوع (187 صفحة) يحتوي على صور للأجهزة، مواصفات، ووصف منظم حسب تخصص الجراحة؛ ورشتان عمليتان من 4-H في مختبرات المحاكاة مع مجموعات أدوات مادية تحت إشراف المدرب (نسبة المدرب إلى المتعلم 1:6); الوصول إلى نظام إدارة التعلم المؤسسي الذي يحتوي على مواد تدريبية رقمية للمراجعة الذاتية؛ وجلسات مراجعة ربع سنوية مجدولة (2 ساعة) لمراجعة الآلات التي غالبا ما تكون مشوشة. كان إجمالي وقت التعليم المنظم 20 ساعة خلال فترة الدراسة. لم يتم دمج أي خوارزميات تكيفية أو مسارات مخصصة أو مكونات معززة بالذكاء الاصطناعي.
مقاييس النتائج
كانت النتيجة الأساسية هي تقييم الاحتفاظ بالمعرفة بعد 12 شهرا من التدريب باستخدام مقياس كفاءة الأجهزة المحيطة بالجراحة (PIPS) المعتمد. يتم توثيق عملية تطوير PIPS الكاملة، بما في ذلك توليد العناصر من مراجعة الأدبيات ومجموعات التركيز الخبرى، والتحقق من صحة دلفي المعدل من ثلاث جولات (مؤشر صحة المحتوى = 0.94)، والتحليل الاستكشافي والتأكيدي، ومعيار التقييم السلوكي الكامل، في الملف التكميلي 3. أظهرت الأداة خصائص نفسية قياسية قوية (α كرونباخ = 0.92، اختبار وإعادة اختبار ICC = 0.91 بفاصل أسبوعين). يتكون PIPS من 24 بندا عبر أربعة مجالات: تحديد الأدوات (6 بنود)، الكفاءة في التعامل (6 عناصر)، بروتوكولات السلامة (6 بنود)، والتواصل الجماعي (6 بنود). يستخدم كل عنصر مقياس ليكيرت من خمس نقاط (1 = مبتدئ إلى 5 = خبير) مع أوصاف سلوكية مثبتة. تتراوح الدرجة الإجمالية بين 24 و120، مع الدرجات الأعلى التي تشير إلى كفاءة أعلى.
أجريت تقييمات PIPS بواسطة مقيمين مدربين (ست ممرضات جراحيات بخبرة >10 سنوات في غرفة العمليات، وأكملوا برنامج تدريب موحد لمدة 8 ساعات) في الوضع الأولي، ومباشرة بعد التدخل، وعند متابعة 1 و3 و6 و12 شهرا. تم تعمية المقيمين عن تعيين المجموعة من خلال معرفات المشاركين المشفرة وتقييموا تسجيلات الفيديو التي تم تعديلها لإزالة أي عناصر واجهة خاصة ب APLS أو شاشات تغذية راجعة. لم يتم إبلاغ المقيمين بأي طريقة تدريب تلقاها المشاركون. تم تأسيس موثوقية المقيمين من خلال الترميز المزدوج ل 20٪ من التقييمات (n = 128)، محققا > ICC 0.85 عبر جميع المجالات (إجمالي الدرجة ICC = 0.89، 95٪ CI: 0.85-0.92).
كانت النتائج الثانوية كما يلي: (1) الكفاءة العملية التي تم تقييمها من خلال التقييم الموضوعي المنظم للمهارات الفنية (OSATS) المعدلة للتعامل مع الأجهزة، والتي تتكون من ست محطات موحدة (بحد أقصى 30 نقطة)، أجريت بواسطة مقيمين خبراء مكفوفين (ICC = 0.87) في الأساس وعند 3 و6 و12 شهرا. (2) تم قياس كفاءة وقت التدريب كإجمالي عدد الساعات لتحقيق عتبة الكفاءة (PIPS ≥ 75). (3) يتم حساب فعالية التكلفة كتكلفة لكل متعلم كفء، مع تضمين التكاليف المباشرة وغير المباشرة، مع تطبيع التكاليف إلى يوان صيني لعام 2024 باستخدام بيانات المحاسبة المؤسسية. (4) تم تقييم رضا المتعلمين باستخدام استبيان مقياس ليكيرت مكون من 5 نقاط (27 عنصرا، والاتساق الداخلي α = 0.91). (5) مقاييس الأداء السريري الاستكشافية من أنظمة تقارير السلامة المؤسسية: تقارير الحوادث المتعلقة بالأجهزة خلال فترة ما بعد التدريب التي تبلغ 12 شهرا، مع معدلات لكل 1000 حالة جراحية معدلة حسب تعقيد الحالات. تم تصنيف نتائج حوادث السلامة على أنها استكشافية لأن الدراسة لم تكن قادرة على اكتشاف الفروقات في هذه الأحداث منخفضة التكرار.
طرق التحليل الإحصائي
تم إجراء جميع التحليلات الإحصائية باستخدام النسخة R 4.3.0 مع واجهة RStudio والحزم التالية: lme4 لنماذج التأثيرات المختلطة، emmeans ("المتوسطات الحدية المقدرة"؛ حزمة R لحساب متوسطات المجموعة المعدلة بالنموذج وإجراء مقارنات زوجية لاحقة من نماذج مختلطة التأثيرات الملاءمة)، الطب النفسي للتحليلات السيكومترية، effsize (حزمة R لحساب أحجام التأثيرات الموحدة، بما في ذلك d لكوهين وg لهيدجز، مع فترات ثقة) لحسابات حجم التأثير، وفأرة للحسابات المتعددة. تم تحديد عتبة الدلالة مسبقا عند α = 0.05 (ذات ذيلين) لجميع اختبارات الفرضية.
تم تطبيق تصحيحات مقارنة متعددة كما يلي. بالنسبة للنتيجة الأساسية (الدرجة الإجمالية لمؤشر PIPS عبر نقاط الزمن)، تم استخلاص الاستدلال من تفاعل زمن المجموعة × ضمن نموذج التأثيرات المختلطة الخطية باستخدام درجات حرية كينوارد-روجر، الذي لا يتطلب تصحيحا منفصلا لنقاط زمنية متعددة. بالنسبة لمقاييس نطاق PIPS الفرعية (أربع مقارنات متزامنة)، تم تطبيق تصحيح بونفيروني (معدل α = 0.0125). بالنسبة للنتائج الثانوية (أربعة مقاييس: درجة كفاءة OR، حوادث السلامة، درجة الاتصال TEAM، وتكرار الأخطاء)، تم تطبيق إجراء معدل الاكتشاف الخاطئ Benjamini-Hochberg (q = 0.05). بالنسبة لمقاييس أداء نظام الذكاء الاصطناعي (عشر مقارنات داخلية)، تم تطبيق تصحيح بونفيروني (معدل α = 0.005). تشير جميع قيم p المبلغ عنها وتحديدات الدلالة بشكل صريح إلى التصحيح المطلوب.
تم تحليل جميع النتائج الأولية والثانوية بين المجموعات باستخدام نماذج خطية ذات تأثيرات مختلطة مع تأثيرات ثابتة على المجموعة، الوقت، وتفاعلها، واعتراضات عشوائية لكل من المشاركين والأقسام (لأخذ الارتباط داخل الفئة الناتج عن التخصيص القائم على العنقود). تم تقدير معامل الارتباط داخل الفئة على مستوى القسم لقياس درجة التجميع. تم تقييم أنماط البيانات المفقودة باستخدام اختبار MCAR الخاص بليتل؛ تم تحديد أن البيانات مفقودة تماما بشكل عشوائي وتمت التعامل معها عبر عدة حالات التوزيع باستخدام مطابقة المتوسط التنبؤي (m = 20 مجموعة بيانات محسوبة، والنتائج المجمعة عبر قواعد روبين). تحليلات الحساسية مع تحليل حالة كامل، وأرقام النسبة المتغيرة (m = 10، m = 50)، وسيناريوهات أسوأ وأفضل الحالات قيمت المتانة.
Access restricted. Please log in or start a trial to view this content.
خصائص المشاركين
شملت العينة النهائية 107 مشاركين لديهم احتفاظ ممتاز (الشكل 1). تحليل التسرب الذي قارن بين المكتملين (n = 107) والانسحاب (n = 13) لم يظهر فروقا ذات دلالة إحصائية في الخصائص الأساسية: العمر (t = 0.89، p = 0.38)، الجنس (χ2 = 0.21، p = 0.64)، الدور المهني (χ2 = 1.45، p = 0.48)، درجات PIPS الأساسية (t = 0.62، p = 0.54)، أو تعيين المجموعة (χ2 = 0.03، p = 0.86)، مما يدعم الافتراض المفقود تماما الع...
Access restricted. Please log in or start a trial to view this content.
تقدم هذه الدراسة الرصدية المستقبلية، التي تتضمن عناصر شبه تجريبية من خلال تخصيص الأقسام القائمة على العنقود، دليلا على أن نظام التعلم المخصص المدعوم بالذكاء الاصطناعي ويدمج خوارزميات تعلم آلي متعددة مرتبط بتحسينات كبيرة في نتائج تدريب أجهزة غرفة العمليات مقارنة بالأساليب التربوية التقليدية. لهذه النتائج آثار على منهجية الذكاء الاصطناعي وممارسة التعليم الجراحي؛ ومع ذلك، هناك عدة تحفظات مهمة تخفف من قوة الاستدلال، كما نناقش أدناه.
يقترح إطار عمل APLS منصة موحدة ...
Access restricted. Please log in or start a trial to view this content.
يعلن المؤلفون أنه لا توجد مصالح مالية أو غير مالية متنافسة تتعلق بهذا العمل.
يشكر المؤلفون طاقم غرفة العمليات وفريق التمريض في مستشفى سير رن رن شو على دعمهم في تنفيذ برنامج التدريب وجمع البيانات. وقد دعم هذا البحث مشروع تشجيانغ الطبي والصحي (رقم المنحة: 2025HY0440 و 2023KY781). لم يكن للجهة الممولة أي دور في تصميم الدراسة أو جمع البيانات أو تحليل البيانات أو تفسير البيانات أو كتابة المخطوطات.
Access restricted. Please log in or start a trial to view this content.
| Name | Company | Catalog Number | Comments |
|---|---|---|---|
| محاكي الجراحة بالتغذية الراجعة اللمسية (Touch X) | أنظمة ثلاثية الأبعاد (سابقا سنسابل) | PHANToM بريميوم 3.0 | جهاز لمسي بست درجات الحرية؛ يستخدم كواجهة أساسية لتوصيل تغذية راجعة القوة المدفوعة بالذكاء الاصطناعي أثناء مهام محاكاة التلاعب والخياطة بالأنسجة |
| منصة برامج المحاكاة (SimSurgery & trade؛ مجموعة الذكاء الاصطناعي) | تطوير مخصص / داخلي | لا يوجد | برنامج تدريب مدعوم بالذكاء الاصطناعي يدمج وحدات الشبكة العصبية الالفافية (CNN) لتصنيف الأداء في الوقت الحقيقي وتوليد تغذية راجعة تكيفية |
| حساس القوة/عزم الدوران | أتمتة ATI الصناعية | نانو17 SI-12-0.12 | قيس قوى الأدوات المطبقة (الدقة: 0.003 نيوتن) أثناء تمارين التعامل مع الأنسجة والخياطة؛ البيانات التي يتم إدخالها في خوارزمية تصنيف الذكاء الاصطناعي |
| نظام تتبع الحركة | شركة نورثرن ديجيتال (NDI) | بولاريس فيغا ST | تتبع بصري لمسارات الأدوات الجراحية؛ دقة حجم RMS 0.12 مم؛ يستخدم لتقييم دقة الملاحة بالأجهزة |
| مجموعة الأدوات اللاباروسكوبية (تدريب) | كارل ستورز SE & السرية KG | 26003 AA / 33310 DB | يستخدم ممسك ومفتاح إبرة قياسي بعيار 5 مم بالمنظار في كل من الأسلحة التدريبية التي تعمل بالذكاء الاصطناعي والأسلحة التقليدية |
| فانتوم الأنسجة عالي الدقة (نموذج الأنسجة الرخوة) | مختبرات سينديفر | نموذج البطن الجراحي (رمز الصورة: SYN-ABD) | تم التحقق من صحة بديل الأنسجة الصناعية لتمارين الخياطة والتشريح والتعامل مع الأنسجة؛ يتم استبداله كل 50 استخداما حسب إرشادات الشركة المصنعة |
| محطة عمل وحدة معالجة الرسومات (GPU) | NVIDIA / Dell | Dell Precision 7920 مع NVIDIA A6000 (ذاكرة VRAM بسعة 48 جيجابايت) | الأجهزة الحاسوبية لتشغيل الاستدلال الذكي في الوقت الحقيقي (زمن تأخير تصنيف CNN < 15 مللي ثانية); خادم مخصص متصل بجهاز لمسي |
| إطار الشبكة العصبية | المصدر المفتوح (الذكاء الاصطناعي الميتا) | PyTorch v2.1.0 | إطار عمل التعلم العميق المستخدم لتدريب النماذج، والتحقق، والاستدلال اللحظي لخوارزمية التغذية الراجعة التكيفية |
| برنامج التحليل الإحصائي | شركة آي بي إم. | إحصائيات IBM SPSS v29.0 | يستخدم في نمذجة التأثيرات المختلطة، واختبارات t العينات المستقلة، وتحليل التحليل المضاد للأبعاد المتكررة في جميع تحليلات النتائج الأولية والثانوية |
| برامج تصور البيانات والرسوم البيانية | برنامج جراف باد | جراف باد بريزم v10.0 | يستخدم لإنشاء جميع أشكال المخطوطات، بما في ذلك أشرطة الخطأ (SD و95٪ CI)، ومنحنيات الاحتفاظ، ومخططات الشريط المجمعة |
| نظام تسجيل الفيديو | شركة سترايكر | منصة AIM 4K لعام 1688 | تصوير الفيديو أثناء الجراحة والمحاكاة لتقييم الخبراء بعد الجراحة (OSATS) |
| أداة التقييم المهيكلة (OSATS) | لا يوجد & أداة منشورة معتمدة | مارتن وآخرون، 1997 (Br J Surg) | تقييم موضوعي ومنظم للمهارات التقنية؛ مقياس التقييم العالمي المكون من سبعة بنود (1&ndash؛ 5 لكل عنصر) يستخدم لتقييم الخبراء الأعمى للخياطة ومناولة الأنسجة |
| برامج العشوائية وإدارة البيانات | مفتوح المصدر | REDCap الإصدار 13.7.2 | التقاط البيانات الإلكترونية لتخصيص المشاركين (حسب الأقسام الجماعية)، وجمع البيانات الديموغرافية، وتتبع نقاط المتابعة الطولية |
| وحدة التغذية الراجعة الصوتية | تطوير مخصص / داخلي | لا يوجد | وحدة برمجية تقدم إشارات سمعية تصحيحية في الوقت الحقيقي (تنبيهات مشفرة بالنغمة) مدمجة في نظام التغذية الراجعة متعددة الوسائط |
| استبيان مؤسسي (مسح رضا المتعلم) | تطوير مخصص / داخلي | لا يوجد | مقياس ليكرت المكون من 18 عنصرا (1– 5) استبيان يقيم فعالية التدريب المتصورة، وسهولة استخدام النظام، وثقة المتعلم؛ تم إجراء الفحص بعد التدريب ومتابعة لمدة 24 أسبوعا |
Access restricted. Please log in or start a trial to view this content.
Request permission to reuse the text or figures of this JoVE article
Request Permission