למידה מותאמת אישית מונעת בינה מלאכותית משפרת את אימון כלי חדר הניתוח: מחקר תצפיתי פרוספקטיבי

Summary

מחקר תצפיתי פרוספקטיבי זה הראה שמערכת למידה מותאמת אישית המופעלת על ידי בינה מלאכותית שיפרה משמעותית את היכולת לטווח ארוך במכשירי חדר ניתוח, הפחיתה תקריות בטיחות ושיפרה את יעילות האימון בהשוואה להוראה מסורתית.

Abstract

הכשרה מסורתית בחדר הניתוח מתבססת לעיתים קרובות על הוראה אחידה לכולם, גורמת לשימור מיומנויות לקוי לטווח ארוך, ותורמת לטעויות ניתוח שניתן למנוע. המחקר הנוכחי הניח שמערכת למידה מותאמת אישית המופעלת על ידי בינה מלאכותית (AI) יכולה לשפר את הכשירות הטכנית, בטיחות המטופל ויעילות ההכשרה על ידי התאמת הפרקטיקה לפרופיל הלומד האישי. פותחה מערכת למידה מותאמת אישית (APLS) המופעלת על ידי בינה מלאכותית, המשלבת פנוטיפינג של לומדים מונחה נתונים, זיהוי כלים מבוסס למידה עמוקה, חיזוי מסלולי מיומנויות קבוצתי, ולמידה מחזקת כדי לספק משוב רב-מודלי אדפטיבי במהלך הכשרה מבוססת סימולציה. במחקר תצפיתי פרוספקטיבי עם הקצאת מחלקות מבוססת אשכולות (הכנסת אלמנטים כמעט-ניסיוניים) בבית חולים שלישוני, 107 אנשי צוות רב-תחומי בחדר ניתוח השלימו את תוכנית הלימודים המונעת בינה מלאכותית או את ההכשרה הסטנדרטית בהובלת מדריכים. התוצאה העיקרית הייתה שמירה על מיומנות בטיפול במכשירים למשך 12 חודשים, שנמדדה על ידי סולם מיומנות הכלים הסביבתי (PIPS); תוצאות משניות כללו אירועי בטיחות בחדר ניתוח, זמן הדרכה ועלות לכל איש מקצוע מיומן. בהשוואה להכשרה המסורתית, המערכת המותאמת אישית הייתה קשורה לציוני מיומנות גבוהים בהרבה ל-12 חודשים (APLS 84.1 ± 9.2 לעומת ביקורת 58.9 ± 18.7, p < 0.001), פחות אירועים הקשורים לבטיחות בפרקטיקה הקלינית, וכמעט מחצית מזמן ההכשרה תוך הפחתת עלויות ההכשרה הכוללת ב-38.3%. צוות הבינה המלאכותית גם התעלה על רכיבי למידת המכונה האישיים שלו בחיזוי ביצועי הלומד ובבחירת אסטרטגיות משוב. ממצאים אלו מצביעים על כך ששילוב גילוי פנוטיפים בלתי מפוקח, חיזוי מפוקח ולמידה מחזקת לפלטפורמה מאוחדת יכול לשפר משמעותית את ההכשרה בכלי חדר ניתוח ועשוי להציע מסגרת ניתנת להרחבה לפיתוח כוח עבודה מונע נתונים בטיפול סביבי.

Introduction

סביבת חדר הניתוח מייצגת אחת הסביבות המורכבות ביותר בתחום הבריאות, שבה שיתוף פעולה רב-תחומי אפקטיבי משפיע ישירות על תוצאות בטיחות המטופל ואיכות הניתוח ^1,2. הכשרה לקויה בכשירות מכשירים תורמת לכ-15,000 טעויות ניתוח שניתן למנוע מדי שנה בבתי החולים הסיניים בלבד, כאשר כשלים בתקשורת וליקויים טכניים מהווים 72% מהאירועים השליליים סביב הניתוח³. גישות הכשרה מסורתיות מסתמכות על מתודולוגיות סטנדרטיות שאינן מתחשבות בהבדלים בלמידה אישיים, שינויים בעיבוד קוגניטיבי ומסלולי פיתוח מיומנויות מותאמים אישית ^4,5.

מבחינה תיאורטית, מספר מסגרות חינוכיות מאירות מדוע גישות מותאמות אישית עשויות להיות עדיפות על הוראה סטנדרטית בתחומים פסיכומוטוריים מורכבים. תיאוריית העומס הקוגניטיבי⁶ טוענת שעיצוב הוראה חייב לקחת בחשבון את היכולת המוגבלת של זיכרון העבודה, במיוחד כאשר הלומדים צריכים לעבד בו-זמנית מידע פרוצדורלי, מושגי ותפיסתי חדש בסביבות בעלות דיוק גבוה, כמו חדר הניתוח⁷. על ידי התאמת קושי התוכן ואופן ההצגה לפרופילים קוגניטיביים אישיים, מערכות מותאמות אישית יכולות למקסם את האיזון בין עומס קוגניטיבי פנימי לעומס חיצוני. מסגרת התרגול המכוון מרמזת עוד כי רכישת מיומנויות מתמקסמת כאשר ההכשרה משלבת רמות אתגר אישיות, משוב מתקן מיידי וחזרה ממוקדת על חולשות מזוהות, אלמנטים שקשה ליישם בעקביות במודלים מסורתיים של חניכות אך מממשים באופן טבעי באמצעות התאמה אלגוריתמית⁸. בנוסף, אזור ההתפתחות הקרובה מספק בסיס תיאורטי להתאמת קושי אדפטיבית, מה שמרמז שלמידה היא היעילה ביותר כאשר המשימות מכוונות כך שיהיו מעט מעבר ליכולת העצמאית הנוכחית של הלומד.⁹. שיקולים תיאורטיים אלה תומכים יחד בהשערה שמערכת בינה מלאכותית המסוגלת להתאים דינמית את פרמטרי ההוראה לתכונות האישיות של הלומד צריכה להעלות על אימון סטטי ואחיד לכולם.

התקדמות אחרונה בלמידת מכונה וניתוח ביצועים בזמן אמת הציעו פוטנציאל משמעותי להתמודדות עם אתגרים חינוכיים ^6,7. יישומים עכשוויים של בינה מלאכותית בחינוך כירורגי הראו פוטנציאל, כאשר מחקרים דיווחו על שיפורים משמעותיים ברכישת מיומנויות כאשר מערכות משוב מונעות בינה מלאכותית מיושמות⁹. עם זאת, פלטפורמות הדרכה כירורגיות מבוססות בינה מלאכותית קיימות, כולל מערכות מסחריות זמינות כמו Touch Surgery ופלטפורמות דומות שנבדקו במחקר^{קודם 8}, הסתמכו בעיקר על ארכיטקטורות אלגוריתם בודדות, בדרך כלל רשתות עצביות מבודדות או עצי החלטה, המספקות חזרות על פרוצדורות באמצעות מדריכים ויזואליים שלב אחר שלב, ללא משוב אדפטיבי בזמן אמת או אופטימיזציה אישית של מסלולי למידה. מחקרים קודמים לא שילבו עיבוד מיזוג חיישנים רב-מודלי של זרמי נתונים הטרוגניים (מעקב עיניים, לכידת תנועה וניטור פיזיולוגי) עם מנגנוני משוב אדפטיביים שמתאימים את עצמם דינמית למסלולי הלמידה האישיים באמצעות למידה מחזקת^10,11. יתרה מזאת, המערכות הקיימות לא שילבו גילוי פנוטיפים בלתי מפוקח עם שיטות חיזוי מפוקחות במסגרת חינוכית מאוחדת^12,13. פערים אלו מייצגים הזדמנויות שהוחמצו, שכן הספרות התיאורטית על למידה מותאמת אישית מציעה בחוזקה שמערכות אדפטיביות משולבות ורב-רכיביות צריכות להיות יעילות יותר מגישות חד-רכיביות¹⁴.

המסגרות החינוכיות הנוכחיות בסביבות פרי-אופרטיביות סובלות ממספר מגבלות חשובות ^8,15. מודלים מסורתיים של התמחות מספקים חוויות למידה לא עקביות, עם שונות משמעותית באיכות המרצים, בסטנדרטיזציה של המשוב ובאמינות הערכת הכישורים. גישות אלו אינן מתאימות לסגנונות למידה מגוונים, אינן מתאימות לקצב ההתקדמות האישי, וחסרות את האנליטיקה המתקדמת הנדרשת לאופטימיזציה של תוצאות חינוכיות^11,15. כדי להתמודד עם הצרכים הבלתי מסופקים הללו, מחקר זה מציג את מערכת הלמידה המותאמת אישית (APLS) המופעלת על ידי בינה מלאכותית, התערבות חינוכית מקיפה המאחדת ארבעה רכיבים אלגוריתמית שונים בתוך פלטפורמה אדפטיבית אחת המיועדת לאימון רב-תחומי בכלי ניתוח. למיטב ידיעתנו, המערכת היא בין הראשונות ששילבה אמפירית את היכולות הבאות בספרות החינוך הכירורגי: ארכיטקטורה היברידית המשלבת אשכולות ללא פיקוח לגילוי פנוטיפ של לומד מונחה נתונים עם סיווג מפוקח להקצאת פנוטיפים בזמן אמת; צינור למידת העברה שמתאים רשת עצבית קונבולוציונית מאומנת מראש לזיהוי חזותי בכלי כירורגי באמצעות נתונים מוגבלים לתחום; מודול למידה מחזקת שמשפר באופן איטרטיבי את תזמון ומודאליות המשוב דרך אינטראקציה עם הלומדים; ומסגרת חיזוי אנסמבל שמסנתזת פלטים מאלגוריתמים הטרוגניים מרובים כדי לחזות מסלולי מיומנויות בצורה מדויקת יותר מכל מודל מרכיב לבדו. על ידי הערכת ה-APLS מול הכשרה סטנדרטית בהובלת מדריכים באמצעות השוואה פרוספקטיבית של 12 חודשים של תוצאות למידה, מדדי ביצועים קליניים, יעילות הכשרה ויעילות כלכלית, מחקר זה שואף לקבוע האם פלטפורמה מותאמת אישית מאוחדת מונחית בינה מלאכותית יכולה לקדם באופן משמעותי את החינוך למכשירים פרי-אופרטיים מעבר לפרקטיקה הפדגוגית הנוכחית.

Protocol

מחקר זה נערך בהתאם להצהרת הלסינקי ואושר על ידי ועדת האתיקה של בית החולים סר רון רן שו, בית הספר לרפואה של אוניברסיטת ג'ג'יאנג (מספר אישור: 0480, אושר ב-10 באוגוסט 2025). כל המשתתפים נתנו הסכמה מדעת בכתב לפני ההשתתפות.

עיצוב והגדרת הלימוד
מחקר תצפיתי פרוספקטיבי עם הקצאת מחלקות מבוססת אשכולות נערך מינואר 2024 עד פברואר 2025 בבית החולים סר רן רן שו, בית הספר לרפואה של אוניברסיטת ג'ג'יאנג, האנגג'ואו, סין. אסטרטגיית ההקצאה המבוססת על מחלקות מוסיפה אלמנטים חצי-ניסיוניים לעיצוב זה; בהתאם לכך, יש לפרש מסקנות סיבתיות בזהירות מתאימה¹⁶. המחקר השתמש בהשוואה מקבילה בין קבוצות עם הקצאה המבוססת על הקצאה מחלקתית כדי למנוע שיתוף מידע בין-קבוצתי. רישום מדורג יושם כדי להבטיח מאפיינים בסיסיים דומים. הבית חולים החזיק במעבדת סימולציה ייעודית המצוידת בסביבות חדר ניתוח סטנדרטיות, כלי ניתוח, ציוד ניטור ויכולות הקלטת וידאו.

בחירת מדגם ומשתתפים
אנשי מקצוע בתחום הבריאות גויסו באמצעות דגימה אקראית מדורגת מכל צוות הפריו-ניתוחי הזכאים (n = 342) בבית החולים סר רן רן שו בין נובמבר 2023 לינואר 2024. משתני הסטרטיפיקציה כללו תפקיד מקצועי (אחיות, טכנאים כירורגיים וטכנאי הרדמה), רמת ניסיון (<5, 5–10, 10–15 ו->15 שנים), רמת השכלה (עמית, תואר ראשון ושני), ומחלקה קלינית (כירורגיה כללית, אורתופדיה, כירורגיה קרדיווסקולרית והתמחויות נוספות). מספרים אקראיים שנוצרו במחשב (תוכנת R, set.seed = 12345 לשכפול) יושמו בכל שכבה באמצעות פונקציית המדגם כדי להבטיח דגימה מייצגת בכל הקטגוריות הדמוגרפיות והמקצועיות. גודל המדגם חושב באמצעות תוכנת G*Power 3.1.9.7 בהתבסס על נתוני פיילוט ראשוניים (n = 30) עם גודל אפקט צפוי של כהן d = 0.60, רמת מובהקות דו-זנבית α = 0.05, ועוצמה סטטיסטית רצויה (1 − β) = 0.80, מה שמעיד על דרישה מינימלית של 90 משתתפים (45 לכל קבוצה). כדי להתחשב בשיעור הנשירה הצפוי של 15% (נטישה) בהתבסס על נתונים היסטוריים מוסדיים, נקבע יעד ההרשמה ל-104 משתתפים. ההרשמה בפועל הגיעה ל-120 משתתפים, מה שסיפק 87% כוח לאחר שהתחשבו ב-11% האחרונים.

נדרשים קריטריוני הכללה
(1) עבודה נוכחית בבית החולים סר רן רן שו בתפקידים פרי-אופרטיים; (2) לפחות 6 חודשי ניסיון בחדר ניתוח; (3) זמינות לכל תקופת המחקר של 13 חודשים; (4) נכונות להשתתף בכל פעילויות ההערכה; ו-(5) אוריינות מחשב בסיסית, המוגדרת כיכולת לנווט בדפדפני אינטרנט ולהשתמש בקלטי מקלדת/עכבר באופן עצמאי.

קריטריוני החרגה כלולים
חופשה מתוכננת במהלך תקופת הלימודים, השתתפות בתוכניות הכשרה נוספות לכלי כירורגיה במהלך ששת החודשים הקודמים, פגיעה בראייה שאינה ניתנת לתיקון לראייה של 20/40 ומעלה, והרשמה נוכחית לתוכניות תואר פורמליות בטכנולוגיה כירורגית. בסך הכל גויסו בתחילה 120 משתתפים, כאשר 107 השלימו את פרוטוקול המחקר המלא (שיעור השלמה של 89.2%). הסיבות לפרישה כללו שינויים בעבודה (n = 7), נסיבות אישיות (n = 4) וקשיים טכנולוגיים (n = 2). ניתוח נטישה באמצעות רגרסיה לוגיסטית לא הראה קשר מובהק בין גמילה למאפיינים בסיסיים כולל גיל (OR = 1.03, p = 0.52), מגדר (OR = 0.87, p = 0.85), תפקיד מקצועי (p = 0.73), או ציוני PIPS בסיסיים (OR = 1.01, p = 0.67), מה שמעיד על דפוס חסר באקראי שאושר על ידי מבחן MCAR של ליטל (χ² = 43.2, df = 38, p = 0.26).

הקצאת קבוצות
כדי למזער את השפעות הזיהום הטבועות בהתערבויות חינוכיות, המשתתפים חולקו לקבוצות התערבות או ביקורת בהתבסס על שיוך מחלקתי. המחלקות (n = 8) הותאמו לזוגות לפי נפח מקרים כירורגיים וגודל הצוות ואז הוקצו באקראי ל-APLS או למצבים ביקורתיים באמצעות אקראיות ממוחשבת (R software, seed = 54321). גישה מבוססת אשכולות זו אומצה משום שאקראיות אישית במחלקות עלולה לסכן זיהום צולב משמעותי כאשר עמיתים משתפים ידע וניסיון הכשרה. מוכר כי תרבות מחלקתית, איכות מנהיגות, שיטות חינוכיות בסיסיות ותמהיל מקרים עשויים להשפיע באופן עצמאי על התוצאות, ומייצגים מקורות פוטנציאליים לבלבול שאריתי שלא ניתן לטפל בהם במלואם בעיצוב אקראי לא אישי¹⁶. דגימה שכבתית הבטיחה מאפייני בסיס דומים. מעריכי תוצאות שביצעו הערכות PIPS היו עיוורים להקצאת קבוצות באמצעות מזהי משתתפים מקודדים. אנליסטים סטטיסטיים קיבלו מאגרי נתונים מזוהים עם תוויות קבוצתיות מוסתרות עד להשלמת הניתוחים הראשוניים.

ארכיטקטורת מערכת APLS ויישום טכני
ה-APLS מורכב מארבעה רכיבים חישוביים משולבים הפועלים על פלטפורמה מבוססת ענן (טבלת חומרים). המערכת פותחה באמצעות מסגרות למידה עמוקה בקוד פתוח וצד לקוח מבוסס רשת (ראו טבלת חומרים) עם פרוטוקולי API של RESTful (ממשק תכנות יישומים להעברת מצב ייצוגי, המאפשר תקשורת סטנדרטית מבוססת HTTP בין לקוח הקצה למודולי למידת מכונה בצד השרת), אימות מבוסס JSON Web Token (JWT) (שמבטיח שרק משתמשים מורשים ורכיבי מערכת יוכלו לגשת לנתוני לומדים ולנקודות קצה של מודלים), והצפנת TLS 1.3 בשכבת התחבורה (אבטחת כל הנתונים במעבר בין מכשירי הלקוח, שרת היישומים ותשתית שירות מודלים מבוססת ענן) לאבטחת נתונים. תיאור מלא של סביבת התוכנה, כולל מפרטי תלות (requirements.txt), מבנה קובץ קונפיגורציה ופקודות אתחול צינור נתונים, מסופק בקובץ המשלים 1.

הגדרת חומרה וכיול
לפני כל אימון בוצע רצף כיול חומרה הבא. מכשיר מעקב עיניים (ראו טבלת חומרים) הוצב במרחק 60–70 ס"מ מעיני המשתתף על מתקן מתכוונן גובה, והכיול בוצע באמצעות פרוטוקול 9 נקודות סטנדרטי של היצרן עם דיוק של ≤0.5° זווית ראייה. מערך שמונה מצלמות (ראו טבלת חומרים) סודר בתצורה מעגלית ברדיוס של 2.5 מטר ממרכז תחנת האימון, ממוקם בגבהים מתחלפים בין 1.8 ל-2.4 מטר, וכויל באמצעות שיטת השרביט של היצרן עם סף שגיאה שאריתי של ≤0.3 מ"מ. סמנים מחזירי אור (n = 16, קוטר = 12.7 מ"מ) הוצמדו לנקודות ציון אנטומיות סטנדרטיות בשתי הידיים ובפרקי הידיים בהתאם לפרוטוקול מיקום הסמנים המתואר בתיק המשלים 2. מכשירי ניטור פיזיולוגיים הותקנו לפי הוראות היצרן ונבדקו לאיכות האות לפני תחילת המפגש.

רכיב 1: מערכת סיווג פנוטיפים של הלומד
מערכת הסיווג משתמשת בגישה היברידית דו-שלביתית המשלבת למידה ללא פיקוח ללמידה מפוקחת. בשלב 1, קיבוץ k-means משמש על נתוני הערכה בסיסיים כדי לגלות קבוצות לומדים טבעיות. תכונות הקלט (n = 37) כוללות ציוני תחום PIPS בסיסיים (4 תכונות), ציוני מלאי בסגנון למידה של VARK (4 תכונות), מהירות עיבוד קוגניטיבי ממשימות תגובה ממוחשבות (3 תכונות), ציוני נוחות טכנולוגית (תכונה אחת), משתנים דמוגרפיים (3 תכונות), קיבולת זיכרון עבודה ממבחני טווח ספרות (2 תכונות), חשיבה מרחבית ממשימות סיבוב מנטלי (תכונה אחת), ציוני בסיס של מיומנות מוטורית עדינה (3 תכונות), חמשת תכונות האישיות הגדולות (5 תכונות), ומדדי ביצועים קודמים מרשומות מוסדיות (3 תכונות). מפרטי קדם-עיבוד מפורטים, נהלי אופטימיזציה של היפרפרמטרים ודירוגי חשיבות תכונות מסופקים בקובץ המשלים 1 (סעיף S2). שלושת האשכולות שנוצרו אופיינו כמהירים (30.9%), ממוצעים (49.1%) ולומדים איטיים (20.0%). בשלב 2, סיווג מפוקח מתבצע באמצעות מכונות וקטור תמיכה המאומנות על תוויות אשכולות כדי לאפשר סיווג בזמן אמת של לומדים חדשים. מרחב החיפוש המלא של היפרפרמטרים, תוצאות אימות צולב ומדדי סיווג לכל סוג מדווחים בקובץ המשלים 1 (סעיף S2.3).

רכיב 2: אינטגרציה מולטימודלית של נתונים ומערכת מיזוג חיישנים
הפלטפורמה משלבת חמישה זרמי נתונים הטרוגניים: נתוני מעקב עיניים, נתוני לכידת תנועה, ניטור פיזיולוגי (שונות בקצב הלב, תגובת עור גלוונית וקורטיזול רוק), ניתוח ביצועים באמצעות ניתוח וידאו אוטומטי, ורישומי אינטראקציות. מפרטי חיישנים מפורטים, צינורות עיבוד מוקדם, נהלי חילוץ תכונות, וארכיטקטורת רשת עצבית קונבולוציונית להערכת מצב קוגניטיבי מתוארים בקובץ משלים 1 (סעיף S3). מערכת המיזוג מייצרת ייצוגים של מצבים קוגניטיביים המתעדכנים כל 1 שניות ומקודדים קשב משולב, ביצוע מוטורי, עומס קוגניטיבי וביצועי משימה.

רכיב 3: מנוע אנליטיקה חיזוי
מערכת החיזוי האנסמבל משלבת שלושה אלגוריתמים משלימים: יער אקראי, מכונת הגברת גרדיאנט (XGBoost), ורשת עצבית עמוקה עם שכבות זיכרון קצר טווח (LSTM) המעבדות שיבצות מצבים קוגניטיביים כסדרות זמן. אגרגציה קבוצתית משתמשת בהצבעה רכה משוקללת עם משקלים מותאמים באמצעות נתוני אימות. המפרטים האלגוריתמיים המלאים, ערכי ההיפרפרמטרים, נהלי ההדרכה ואבחון ההתכנסות מסופקים בקובץ משלים 1 (סעיף S4). מאגרי נתונים של אימון, אימות, פריסה והערכה היו מופרדים בקפדנות; פיתוח המודל השתמש אך ורק בנתונים ממחקר פיילוט קודם שכלל 150 משתתפים (80% הכשרה, 20% אימות), והמשתתפים הנוכחיים היוו מאגר פריסה שנשמר לחלוטין. אימון מתגלגל במהלך הפריסה השתמש רק בנתוני האינטראקציה של 7 הימים הקודמים ולא שילב נתוני הערכת תוצאות, ובכך מנע דליפה מתוצאות ההערכה למודלים של חיזוי.

רכיב 4: מערכת משוב אדפטיבית מבוססת חיזוק מבוססת למידה
מערכת המשוב האדפטיבית עושה שימוש בלמידת Q, ומנסחת את בחירת המשוב כתהליך החלטה מרקוב. מרחב המצב (25-ממד) מקודד את המצב הקוגניטיבי הנוכחי, ההקשר הזמן, פרמטרי המשימה ותכונות הלומד. מרחב הפעולות מורכב מ-25 פעולות נפרדות המייצגות שילובים של מודאליות משוב, תזמון וספציפיות. פונקציית התגמול משלבת שיפור ביצועים, הימנעות מעומס קוגניטיבי, שמירה על מעורבות והשהייה בתיקון. הניסוח המתמטי של מרחב המצבים, מרחב הפעולה, פונקציית התגמול, פרמטרי עדכון למידת Q וקריטריוני התכנסות מפורטים בקובץ המשלים 1 (סעיף S5).

זרימת עבודה במפגש אימון
כל מפגש הדרכה של APLS מתנהל לפי הרצף הסטנדרטי הבא. (1) המשתתף נכנס לפלטפורמת APLS באמצעות אישורים שהוקצו בתחנת העבודה המיועדת לאימונים. (2) כיול החומרה אומת (מעקב עיניים, לכידת תנועה וחיישנים פיזיולוגיים) עם בדיקות איכות אוטומטיות שאישרו שלמות אות תקיפה. (3) המערכת מחזירה את סיווג הפנוטיפ הנוכחי של המשתתף ואת מסלול הכשירות החזוי של המשתתף כדי להגדיר את פרמטרי הסשן. (4) מודול חימום ראשוני (5 דקות) מציג סקירה של התוכן מהמפגש הקודם, מותאם לדפוס השימור של המשתתף. (5) מודול ההדרכה המרכזי (40-50 דקות) מציג זיהוי, טיפול ומשימות פרוצדורליות של הכלים ברמות קושי שנקבעו על ידי האלגוריתם האדפטיבי, עם משוב רב-מודלי בזמן אמת בהתאם למדיניות למידת Q. (6) מוצגים סיכום מושב ולוח מחוונים לביצועים, המציגים התקדמות ביחס למסלול הלמידה האישי של המשתתף ואבני הדרך המקצועיות. (7) המשתתף משלים סקר שביעות רצון קצר (2 דקות). (8) נתוני הסשן מועלים אוטומטית לשרת הענן לצורך עדכון מודלים.

נהלי קבוצת ביקורת
קבוצת הביקורת קיבלה הכשרה מסורתית בחדר הניתוח לפי פרוטוקולים מוסדיים סטנדרטיים. ההכשרה כללה מפגש דידקטי ראשוני של 8 שעות בכיתה על ידי מחנכות סיעודיות בכירות, שעסק בקטגוריות מכשירים, נומנקלטורה, עקרונות טיפול וטכניקת סטריליה; מדריך הדרכה מודפס (187 עמודים) שכלל תמונות מכשירים, מפרטים ותיאורים המאורגנים לפי תחום ההתמחות הכירורגית; שתי סדנאות מעשיות של 4-H במעבדות סימולציה עם מערכות מכשירים פיזיות תחת פיקוח מדריך (יחס מדריך ללומד 1:6); גישה למערכת ניהול למידה מוסדית הכוללת חומרי הדרכה דיגיטליים לסקירה עצמית; ומפגשי רענון רבעוניים מתוכננים (2 שעות) לסקירת כלים שמבלבלים לעיתים קרובות. זמן ההוראה המובנה הכולל היה 20 שעות במהלך תקופת המחקר. לא שולבו אלגוריתמים אדפטיביים, מסלולים מותאמים אישית או רכיבים משודרגים בבינה מלאכותית.

מדדי תוצאה
התוצאה העיקרית הייתה שימור ידע שהוערך 12 חודשים לאחר ההכשרה באמצעות סולם מיומנות מכשירים סביב ניתוח (PIPS) המאומת. תהליך הפיתוח המלא של PIPS, הכולל יצירת פריטים מסקירת ספרות וקבוצות מיקוד מומחים, אימות תוכן דלפי מותאם בן שלושה סבבים (מדד תוקף התוכן = 0.94), ניתוח גורמים חקרני ומאשר, ורובריקת ניקוד התנהגותית מלאה, מתועד בקובץ המשלים 3. המכשיר הראה תכונות פסיכומטריות חזקות (α קרונבך = 0.92, בדיקת בדיקה חוזרת ICC = 0.91 במרווח של שבועיים). PIPS מורכב מ-24 פריטים בארבעה תחומים: זיהוי מכשירים (6 פריטים), מיומנות בטיפול (6 פריטים), פרוטוקולי בטיחות (6 פריטים) ותקשורת צוותית (6 פריטים). כל פריט משתמש בסולם ליקרט בן חמש נקודות (1 = מתחיל עד 5 = מומחה) עם תיאורים מעוגנים התנהגותית. הציון הכולל נע בין 24 ל-120, כאשר ציונים גבוהים יותר מצביעים על מיומנות גבוהה יותר.

הערכות PIPS בוצעו על ידי מעריכים מיומנים (שש אחיות כירורגיות עם >10 שנות ניסיון בחדר ניתוח שסיימו תוכנית הכשרה סטנדרטית בת 8 שעות) בבסיס, מיד לאחר ההתערבות, ובמעקב של 1, 3, 6 ו-12 חודשים. המעריכים היו עיוורים להקצאת הקבוצה דרך מזהי משתתפים מקודדים והעריכו הקלטות וידאו שנערכו כדי להסיר כל אלמנט ממשק או תצוגות משוב ייחודיות ל-APLS. המעריכים לא קיבלו מידע על איזו שיטת אימון קיבלו המשתתפים. אמינות בין המעריכים נקבעה באמצעות קידוד כפול של 20% מההערכות (n = 128), והשיגה ICC > 0.85 בכל התחומים (ציון כולל ICC = 0.89, רווח סמך 95%: 0.85-0.92).

התוצאות המשניות היו כדלקמן: (1) מיומנות מעשית שהוערכה באמצעות הערכה אובייקטיבית ומובנית של מיומנויות טכניות (OSATS) שהותאמו לטיפול במכשירים, הכוללת שש תחנות סטנדרטיות (מקסימום 30 נקודות), שנוהל על ידי מעריכים מומחים עיוורים (ICC = 0.87) בתחילת השנה ובגיל 3, 6 ו-12 חודשים. (2) יעילות זמן ההכשרה נמדדה כמספר השעות הכולל להשגת סף הכשירות (PIPS ≥ 75). (3) יעילות עלויות מחושבת כעלות לכל לומד מיומן, הכוללת עלויות ישירות ועקיפות, כאשר העלויות מנורמלות ליואן סיני לשנת 2024 באמצעות נתוני חשבונאות מוסדיים. (4) שביעות רצון הלומדים הוערכה באמצעות שאלון בסולם ליקרט בן 5 נקודות (27 פריטים, עקביות פנימית α = 0.91). (5) מדדי ביצוע קליניים חקרניים ממערכות דיווח בטיחות מוסדיות: דיווחי אירועים הקשורים למכשירים במהלך תקופת 12 החודשים לאחר ההכשרה, עם שיעורים מותאמים למורכבות המקרה ל-1,000 מקרים ניתוחיים. תוצאות אירועי בטיחות סווגו כחקרניים משום שהמחקר לא היה מוסמך לזהות הבדלים באירועים בתדירות נמוכה אלו.

שיטות ניתוח סטטיסטי
כל הניתוחים הסטטיסטיים בוצעו באמצעות גרסה R 4.3.0 עם ממשק RStudio והחבילות הבאות: lme4 למודלים מעורבים, emmeans ("ממוצעים שוליים מוערכים"; חבילת R לחישוב ממוצעים קבוצתיים מותאמים למודלים וביצוע השוואות זוגיות לאחר טוקי, בונפרוני או שפפה ממודלים מעורבים מותאמים), פסיכולוגיה לניתוחים פסיכומטריים, effsize (חבילת R לחישוב גדלי אפקט סטנדרטיים, כולל d של כהן ו-g של Hedges, עם מרווחי ביטחון) לחישובי גודל אפקט, ועכברים למספר הערכות. סף המובהקות נקבע מראש ב-α = 0.05 (דו-זנביים) בכל מבחני ההשערות.

מספר תיקוני השוואה בוצעו כדלקמן. עבור התוצאה הראשית (ציון כולל של PIPS על פני נקודות זמן), הוסקה מסקנה מאינטראקציה של קבוצה × בזמן בתוך מודל ההשפעות המעורבות הליניאריות באמצעות דרגות חופש קנוורד-רוג'ר, שאינו דורש תיקון נפרד עבור מספר נקודות זמן. לתת-סולמות של תחום PIPS (ארבע השוואות סימולטניות), יושם תיקון בונפרוני (מותאם α = 0.0125). לתוצאות המשניות (ארבעה מדדים: ציון יעילות ניתוח, אירועי בטיחות, ציון תקשורת TEAM, ותדירות שגיאות), יושם הליך שיעור גילוי השגוי של בנג'מיני-הוכברג (q = 0.05). למדדי ביצועי מערכות בינה מלאכותית (עשר השוואות פנימיות), יושם תיקון בונפרוני (מותאם α = 0.005). כל ערכי ה-p המדווחים וקביעות המובהקות מתייחסים במפורש לתיקון הרלוונטי.

כל התוצאות הראשוניות והמשניות בין הקבוצות נותחו באמצעות מודלים של השפעות מעורבות ליניאריות עם השפעות קבועות עבור הקבוצה, הזמן והאינטראקציה ביניהן, ויירוטים אקראיים הן למשתתפים והן למחלקות (כדי להתחשב במתאם תוך-מחלקתי הנובע מהקצאה מבוססת אשכולות). מקדם הקורלציה התוך-כיתה ברמת המחלקה הוערך כדי לכמת את מידת ההתקבצות. דפוסי נתונים חסרים הוערכו באמצעות מבחן MCAR של ליטל; הנתונים נקבעו כחסרים לחלוטין באקראי וטופלו באמצעות מספר השערות באמצעות התאמת ממוצע חיזוי (m = 20 מערכי נתונים מיוחסים, תוצאות מאוחדות לפי כללי רובין). ניתוחי רגישות עם ניתוח מקרה מלא, מספרי העברה משתנים (m = 10, m = 50), ותסריטים גרועים/מיטביים העריכו עמידות.

Results

מאפייני המשתתפים
המדגם הסופי כלל 107 משתתפים עם שימור מצוין (איור 1). ניתוח נטישה שהשווה בין משלימים (n = 107) לבין נסיגה (n = 13) לא גילה הבדלים משמעותיים במאפייני הבסיס: גיל (t = 0.89, p = 0.38), מגדר (χ² = 0.21, p = 0.64), תפקיד מקצועי (χ² = 1.45, p = 0.48), ציוני PIPS בסיסיים (t = 0.62, p = 0.54), או הקצאה קבוצתית (χ² = 0.03, p = 0.86), התומכת בהנחה חסרה לחלוטין באקראי שאושרה במבחן MCAR של ליטל (χ^...

Discussion

מחקר תצפיתי פרוספקטיבי זה, המשלב אלמנטים קוואזי-ניסיוניים דרך הקצאת מחלקות מבוססת אשכולות, מספק ראיות לכך שמערכת למידה מותאמת אישית המונעת בינה מלאכותית המשלבת מספר אלגוריתמים של למידת מכונה קשורה לשיפורים משמעותיים בתוצאות ההכשרה בכלי חדר ניתוח בהשוואה לשיטות פדגוגיות מסורתיות. לממצאים יש השלכות הן על מתודולוגיית הבינה המלאכותית והן על פרקטיקת החינוך הכירורגי; עם זאת, מספר הסתייגויות חשובות מפחיתות את עוצמת ההסקנה, כפי שיידון להלן.

מסגרת APLS מציעה פלטפורמה מ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
סימולטור ניתוחי משוב הפטי (Touch X)	3D Systems (לשעבר Sensable)	PHANToM Premium 3.0	מכשיר הפטי בעל שש דרגות חופש; משמש כממשק ראשי להעברת משוב כוח מונע בינה מלאכותית במהלך משימות סימולציה של מניפולציה ותפירה של רקמות
פלטפורמת תוכנה לסימולציה (SimSurgery & trade; חבילת בינה מלאכותית)	בהתאמה אישית / פיתוח פנימי	לא זמין	תוכנת אימון קניינית מבוססת בינה מלאכותית המשלבת מודולים של רשת עצבית קונבולוציונית (CNN) לסיווג ביצועים בזמן אמת וליצירת משוב אדפטיבי
חיישן כוח/מומנט	אוטומציה תעשייתית של ATI	Nano17 SI-12-0.12	מדידות: הפעלת כוחות מכשירים (רזולוציה: 0.003 ניוטון) במהלך תרגילי טיפול ברקמות ותפירה; הנתונים המוזנים לאלגוריתם סיווג הבינה המלאכותית
מערכת מעקב תנועה	נורת'רן דיגיטל בע"מ (NDI)	פולאריס וגה ST	מעקב אופטי של מסלולי כלי ניתוח; דיוק נפחי של 0.12 מ"מ RMS; משמש להערכת דיוק ניווט במכשירים
סט כלי נגינה לפרוסקופי (אימון)	קרל סטורץ SE & פלוגה KG	26003 AA / 33310 DB	אחיזת מחט ומחט סטנדרטיים בקוטר 5 מ"מ לפרוסקופיים המשמשים הן בזרועות אימון מונעות בינה מלאכותית והן בזרועות אימון קונבנציונליות
פנטום רקמות באיכות גבוהה (מודל רקמות רכות)	SynDaver Labs	מודל בטני כירורגי (SKU: SYN-ABD)	תחליף רקמה סינתטית מאומת לתרגילי תפירה, דיסקציה וטיפול ברקמות; מוחלף כל 50 שימושים לפי הנחיות היצרן
תחנת עבודה של GPU	NVIDIA / Dell	Dell Precision 7920 עם NVIDIA A6000 (זיכרון VRAM של 48 GB)	חומרה חישובית להרצת הסקת בינה מלאכותית בזמן אמת (השהיית סיווג CNN < 15 מילישניות); שרת ייעודי שמחובר למכשיר המישוש
מסגרת רשת עצבית	קוד פתוח (Meta AI)	PyTorch v2.1.0	מסגרת למידה עמוקה המשמשת לאימון מודלים, אימות והסקה בזמן אמת של אלגוריתם המשוב האדפטיבי
תוכנת ניתוח סטטיסטי	חברת IBM	IBM SPSS Statistics v29.0	שימש למידול השפעות מעורבות, מבחני t לדגימות עצמאיות, ו-ANOVA במדידות חוזרות בכל ניתוחי התוצאה הראשוניים והמשניים
תוכנות לויזואליזציה וגרפיקה של נתונים	תוכנת GraphPad	GraphPad Prism v10.0	משמש ליצירת כל איורי כתב היד, כולל פסי שגיאה (SD ו-CI של 95%), עקומות שימור ותרשימי עמודות מקובצים
מערכת הקלטת וידאו	Stryker Corp.	פלטפורמת AIM 4K 1688	צילום וידאו תוך-ניתוחי וסימולציה להערכת מומחים עיוורת לאחר הוק (ניקוד OSATS)
כלי הערכה מובנית (OSATS)	לא כתוב ו-mdash; כלי שפורסם מאומת	מרטין ואח', 1997 (Br J Surg)	הערכה אובייקטיבית ומובנית של מיומנויות טכניות; סולם דירוג עולמי בן שבעה פריטים (1– 5 לכל פריט) המשמש להערכה עיוורת של תפירה וטיפול ברקמות
תוכנה לאקראיות וניהול נתונים	קוד פתוח	REDCap v13.7.2	לכידת נתונים אלקטרונית להקצאת משתתפים (מחלקת מבוססת אשכולות), איסוף נתונים דמוגרפיים ומעקב ציוני מעקב לאורך זמן
מודול משוב קולי	בהתאמה אישית / פיתוח פנימי	לא זמין	מודול תוכנה המספק רמזים שמיעתיים מתקנים בזמן אמת (התראות מקודדות טון) המשולבות במערכת המשוב הרב-מודלית
שאלון מוסדי (סקר שביעות רצון הלומדים)	בהתאמה אישית / פיתוח פנימי	לא זמין	סולם ליקרט בן 18 פריטים (1– 5) שאלון להעריך את יעילות ההכשרה הנתפסת, השימושיות של המערכת וביטחון הלומדים; ניתנה לאחר ההכשרה ובמעקב של 24 שבועות