人工知能駆動のパーソナライズ学習が手術室の器具訓練を改善する:前向き観察研究

Summary

この前向き観察研究は、人工知能搭載のパーソナライズ学習システムが、従来の指導と比較して長期的な手術室の器具操作能力を大幅に向上させ、安全事故を減少させ、訓練効率を向上させたことを示しました。

Abstract

従来の手術室での器具訓練は、画一的な指導に頼ることが多く、長期的なスキル保持が乏しく、予防可能な手術ミスを招いています。本研究では、人工知能(AI)搭載のパーソナライズされた学習システムが、個々の学習者のプロファイルに合わせて実践を調整することで、技術的能力、患者の安全性、トレーニング効率を向上させることができると仮説を立てました。AI搭載のパーソナライズ学習システム(APLS)が開発されました。これは、データ駆動型学習者の表現型化、ディープラーニングに基づく機器認識、能力のアンサンブル予測、強化学習を組み合わせ、シミュレーションベースのトレーニング中に適応型マルチモーダルフィードバックを提供します。三次病院でのクラスターベースの部門配分(準実験要素の導入)を用いた前向き観察研究では、107名の多職種手術室スタッフがAI駆動のカリキュラムまたは標準的な指導者主導の研修を修了しました。主要アウトカムは、周術期器具熟練度尺度(PIPS)で測定された器具取り扱い能力の12か月保持でした。副次的な成果には、手術室の安全事故、訓練時間、有能な専門家一人あたりのコストが含まれていました。従来の研修と比べて、個別化されたシステムは12か月の能力スコアが大幅に高く(APLS 84.1 ± 9.2、対照群 58.9 ± 18.7、p < 0.001)、臨床実践における安全性関連事象の減少、研修時間をほぼ半分にし、全体の研修費用を38.3%削減しました。また、AIアンサンブルは学習者のパフォーマンス予測やフィードバック戦略の選択において、個々の機械学習コンポーネントを上回る成果を上げました。これらの発見は、教師なしの表現型発見、教師ありの予測、強化学習を統合プラットフォームに統合することで、手術室での器具訓練を有意義に強化し、周術期ケアにおけるデータ駆動型の人材育成のためのスケーラブルな枠組みを提供する可能性を示唆しています。

Introduction

手術室環境は医療現場で最も複雑な環境の一つであり、効果的な多職種連携が患者の安全成果や^手術の質に直接影響を与える^1,2。不十分な器具操作訓練は、中国の病院だけで年間約15,000件の予防可能な手術ミスに寄与しており、コミュニケーションの失敗や技術的な不備が周術期有害事象の72%を占めています^。3.従来のトレーニングアプローチは、個々の学習差異、認知処理の変動、個別の能力開発の軌跡を考慮しない標準化された方法論に依存し^{ています。}

理論的観点から、いくつかの教育枠組みは、複雑な精神運動領域においてパーソナライズされたアプローチが標準化された指導よりも優れている理由を明らかにしています。認知負荷理論⁶は、特に高忠実度環境(例えば^手術室7)で学習者が新しい手続き的、概念的、知覚的情報を同時に処理しなければならない場合、指導設計は作業記憶の限られた容量を考慮しなければならないと主張しています。コンテンツの難易度や提示方式を個々の認知プロファイルに合わせて調整することで、パーソナライズされたシステムは内在的負荷と外在的な認知負荷のバランスを最適化できます。意図的実践の枠組みはさらに、個別の挑戦レベル、即時の修正フィードバック、特定された弱点への集中的な反復を訓練に取り入れることでスキル習得が最大化されることを示唆しています。これらは従来の見習いモデルでは一貫して実装が難しい要素ですが、アルゴリズムの適応によって自然に運用化されます⁸.さらに、近接発達領域は適応的難易度調整の理論的基盤を提供し、学習は学習者の現在の独立能力を少し超えるよう調整された課題が最も効果的であることを示唆^{しています。}これらの理論的考察は、個々の学習者の特性に合わせて指導パラメータを動的に調整できるAIシステムが、静的で画一な訓練よりも優れたパフォーマンスを発揮するという仮説を支持しています。

機械学習やリアルタイムパフォーマンス分析の最近の進展は、教育上の課題に大きな可能性をもたらしています ^6,7.外科教育における現代のAI応用は将来性を示しており、AI駆動のフィードバックシステムを導入することでスキル習得が大幅に向上したと報告されています⁹。しかし、既存のAIベースの手術トレーニングプラットフォーム、例えばTouch Surgeryのような商用システムや、^{以前の研究で}レビューされた類似プラットフォーム8は、主に単一アルゴリズムアーキテクチャ、通常は孤立したニューラルネットワークや意思決定木に依存しており、リアルタイムの適応フィードバックや個別学習経路最適化なしに段階的な視覚ガイドによる手順のリハーサルを提供しています。これまでの研究では、異種データストリーム(アイトラッキング、モーションキャプチャ、生理的モニタリング)のマルチモーダルセンサー融合処理と、強化学習を通じて個々の学習軌道に動的に調整する適応的フィードバック機構を統合していません(^10,11)。さらに、既存のシステムは、教師なしの表現型発見と教師あり予測法を統一された教育枠組みの中で統合していません(^12,13)。これらのギャップは機会を逃したものであり、個別化学習に関する理論文献は統合された多要素適応システムの方が単一構成要素のアプローチよりも効果的であるべきだと強く示唆しています¹⁴。

現在の周術期環境における教育枠組みは、いくつかの重要な制約を抱えています ^8,15。従来の見習いモデルは、指導者の質、フィードバックの標準化、能力評価の信頼性に大きなばらつきがあり、学習体験に不一致をもたらします。これらのアプローチは多様な学習スタイルに対応しておらず、個々の進捗率に適応せず、教育成果を最適化するために必要な高度な分析も欠い^{ています。}これらの未充足のニーズに対応するため、本研究ではAI搭載のパーソナライズドラーニングシステム(APLS)を導入します。これは、4つのアルゴリズム的に異なるコンポーネントを単一の適応型プラットフォーム内に統合し、多職種の手術室での器具トレーニングを用いる包括的な教育介入です。私たちの知る限り、このシステムは外科教育文献において以下の機能を実証的に統合した最も初期のものの一つです:データ駆動型学習者の表現型発見のための教師ありクラスタリングと、リアルタイム表現型割り当てのための教師あり分類を組み合わせたハイブリッドアーキテクチャ;限られたドメイン特有データを用いた事前学習済み畳み込みニューラルネットワークを外科器具の視覚認識に適応させる転移学習パイプライン、学習者との相互作用を通じてフィードバックのタイミングやモダリティを反復的に洗練させる強化学習モジュール;複数の異種アルゴリズムの出力を統合し、構成モデル単独よりも正確に能力の軌跡を予測するアンサンブル予測フレームワークです。APLSを標準的なインストラクター主導トレーニングと比較して、12か月間の学習成果、臨床パフォーマンス指標、トレーニング効率、費用対効果の前向き比較を通じて評価し、統合されたAI駆動のパーソナライズプラットフォームが、周術期器具教育を現在の教育実践を超えて実質的に進展させるかどうかを明らかにしようとしています。

Protocol

本研究はヘルシンキ宣言に従い実施され、浙江大学医学院サー・ラン・ラン・ショウ病院の倫理委員会(承認番号:0480、2025年8月10日承認)によって承認されました。参加者全員が参加前に書面によるインフォームド・コンセントを提供しました。

研究の設計と環境
クラスター単位の部門配分を用いた前向き観察研究が、2024年1月から2025年2月にかけて中国杭州の浙江大学医科大学サーランランショウ病院で実施されました。学科ベースの配分戦略は、この設計に準実験的要素を導入します。したがって、因果推論は適切な注意をもって解釈されるべき^です。本研究では、部門別割り当てに基づく並行グループ比較を用いて、グループ間の情報共有を防止しました。基準特性の比較を確実にするために階層別登録が実施されました。病院は標準化された手術室環境、手術器具、モニタリング機器、ビデオ録画機能を備えた専用のシミュレーションラボを維持していました。

サンプル選定と参加者
医療専門家は、2023年11月から2024年1月にかけてSir Run Run Shaw病院の対象となる全ての対象となる周術期スタッフ(n = 342)から階層別無作為抽出により募集されました。階層化変数には、専門職(看護師、外科技師、麻酔技師)、経験レベル(<5年、5–10年、10–15年、>15年)、学歴レベル(準学士、学士、修士号)、臨床部門(一般外科、整形外科、心血管外科、その他の専門分野)が含まれていました。各層内で、サンプル関数を用いてコンピュータ生成の乱数(再現性のためにset.seed = 12345)を適用し、すべての人口統計的および専門職カテゴリーにわたる代表的なサンプリングを確保しました。サンプルサイズは、予備パイロットデータ(n = 30)に基づくG*Power 3.1.9.7ソフトウェアを用いて算出され、予想効果量はCohen's d = 0.60、両側有意水準α = 0.05、望ましい統計的検出力(1 − β)= 0.80で、最低90名(1グループあたり45名)が求められました。機関の過去データに基づく推定15%の中退率(離脱)を考慮し、目標登録者数は104名に設定されました。実際の登録者数は120名に達し、最終的な11%の離脱を考慮した87%の力を提供しました。

必要な参加基準
(1) サー・ラン・ラン・ショウ病院での周術期期間の現職;(2) 最低6か月の手術室経験;(3) 13か月間の全研究期間の利用可能;(4) すべての評価活動への参加意欲;(5) 基本的なコンピュータリテラシー(ウェブブラウザの操作やキーボード/マウス入力の独立使用能力)を指す。

除外基準
研究期間中の長期休暇計画、過去6か月以内の他の外科器具訓練プログラムへの参加、視力20/40以上に矯正できない視覚障害、そして現在正式な外科技術学位プログラムに在籍していること。当初は合計120名の参加者が募集され、そのうち107名が完全な研究プロトコルを完了しました(完了率89.2%)。退職理由には転職(n = 7)、個人的な事情(n = 4)、技術関連の困難(n = 2)が含まれます。ロジスティック回帰を用いた離脱分析では、離脱と年齢(OR = 1.03、p = 0.52)、性別(OR = 0.87、p = 0.85)、専門職(p = 0.73)、ベースラインPIPSスコア(OR = 1.01、p = 0.67)などのベースライン特性との間に有意な関連はなく、LittleのMCARテスト(χ² = 43.2、df = 38、p = 0.26)によって確認されたランダム欠如パターンを示しました。

グループ配属
教育介入に内在する汚染効果を最小限に抑えるため、参加者は学科所属に基づいて介入グループまたは対照群に割り当てられました。部門(n=8)は手術症例数とスタッフ数に基づいてペアに割り当てられ、コンピュータ生成のランダム化(Rソフトウェア、 シード =54321)を用いてAPLSまたは対照条件にランダムに割り当てられました。このクラスターベースのアプローチは、部門内の個別無作為化が同僚同僚の知識や研修経験を共有することで大きな交差汚染のリスクがあるため採用されました。学科の文化、リーダーシップの質、基礎的な教育実践、症例構成が独立して結果に影響を与える可能性があり、非個別化ランダム化デザインでは完全に対処できない残留交絡の潜在的な原因であることが認められています¹⁶。層別サンプリングにより、比較可能な基準特性が得られました。PIPS評価を行うアウトカム評価者は、コード化された参加者識別子によるグループ割り当てを盲検化しました。統計分析者は、一次分析が完了するまでマスクされたグループラベルの非識別データセットを受け取りました。

APLSシステムアーキテクチャと技術的実装
APLSはクラウドベースのプラットフォーム(Table of Materials)上で動作する4つの統合計算コンポーネントで構成されています。このシステムは、オープンソースのディープラーニングフレームワークとウェブベースのフロントエンド(Table of Materials参照)を用いて開発され、RESTful APIプロトコル(Representational State Transfer Application Programming Interface - フロントエンドクライアントとサーバー側の機械学習モジュール間の標準化されたHTTPベースの通信を可能にする)、JSON Web Token(JWT)ベースの認証(認可されたユーザーとシステムコンポーネントのみが学習者データやモデルエンドポイントにアクセスできることを保証する) そしてTLS 1.3トランスポート層暗号化(クライアントデバイス、アプリケーションサーバー、クラウドベースのモデルサービスインフラ間で転送されるすべてのデータを保護)でデータセキュリティを確保しています。依存関係仕様(requirements.txt)、設定ファイル構造、データパイプライン初期化コマンドを含むソフトウェア環境の完全な説明は、補足ファイル1に記載されています。

ハードウェアのセットアップとキャリブレーション
各トレーニングセッションの前に、以下のハードウェアキャリブレーションシーケンスが実施されました。視線追跡装置( 材料表参照)は、参加者の目から60〜70cm離れた高さ調整可能なマウントに設置され、メーカー標準の9点プロトコルで≤0.5°の視角精度でキャリブレーションが行われました。8台のカメラアレイ( 材料表参照)は、訓練ステーションセンターから半径2.5mの円形配置で配置され、高さ1.8mから2.4mの間に配置され、メーカーのワンド手順で校正され、残留誤差閾値は≤0.3mmでした。反射マーカー(n = 16、直径 = 12.7 mm)は 、補足ファイル2に記載されたマーカー配置プロトコルに従い、両手と手首の標準化された解剖学的ランドマークに取り付けられました。生理的モニタリング装置は製造元の指示に従って取り付けられ、セッション開始前に信号品質が検証されました。

構成要素1:学習者表現型分類システム
分類システムは、教師あり学習と教師あり学習を組み合わせた2段階のハイブリッドアプローチを採用しています。ステージ1では、基線評価データに対してk-meansクラスタリングを用いて自然な学習者グループ化を発見します。入力特徴(n=37)には、基礎PIPSドメインスコア(4つの特徴)、VARK学習スタイルのインベントリースコア(4つの特徴)、コンピュータ化された反応時間タスクによる認知処理速度(3つの特徴)、技術の快適性スコア(1つの特徴)、人口統計変数(3つの特徴)、数字スパンテストによる作業記憶容量(2つの特徴)、メンタルローテーションタスクによる空間推論(1つの特徴)、微細運動スキルの基準値(3つの特徴)、 ビッグファイブの性格特性(5つの特徴)、および機関の記録に基づく過去のパフォーマンス指標(3つの特徴)。詳細な前処理仕様、ハイパーパラメータ最適化手順、機能重要度ランキングは補足ファイル1(セクションS2)に記載されています。結果として得られた3つのクラスターは、速(30.9%)、平均(49.1%)、学習が遅い(20.0%)と特徴づけられました。第2段階では、クラスタラベルで訓練されたサポートベクターマシンを用いて教師あり分類が行われ、新規学習者のリアルタイム分類が可能になります。ハイパーパラメータ探索空間全体、相互検証結果、クラスごとの分類指標は補足ファイル1(セクションS2.3)に報告されています。

コンポーネント2:マルチモーダルデータ統合およびセンサー融合システム
このプラットフォームは、アイトラッキングデータ、モーションキャプチャデータ、生理的モニタリング(心拍変動、皮膚ガルバニック反応、唾液コルチゾール)、自動ビデオ解析によるパフォーマンス分析、インタラクションログの5つの異種データストリームを統合しています。詳細なセンサー仕様、前処理パイプライン、特徴抽出手順、認知状態推定のための畳み込みニューラルネットワークアーキテクチャは補 足ファイル1(セクションS3)で説明されています。融合システムは1秒ごとに更新される認知状態の表象を作成し、注意力、運動実行、認知負荷、タスクの実行を統合して符号化します。

コンポーネント3:予測分析エンジン
アンサンブル予測システムは、ランダムフォレスト、勾配ブースティングマシン(XGBoost)、そして認知状態埋め込みを時系列として処理する長短期記憶(LSTM)層を持つ深層ニューラルネットワークの3つの補完アルゴリズムを組み合わせています。アンサンブルアグリゲーションは、検証データを用いて重みを最適化した加重ソフト投票を使用します。完全なアルゴリズム仕様、ハイパーパラメータ値、訓練手順、収束診断は 補足ファイル1(セクションS4)に提供されています。トレーニング、検証、展開、評価のデータセットは厳密に分離され、モデル開発は、以前の150人の参加者によるパイロット研究(80%がトレーニング、20%が検証)のデータのみを使用し、現在の参加者は完全に未公開の展開データセットで構成されていました。展開中のローリング再学習は、前の7日間の相互作用データのみを使用し、アウトカム評価データを組み込まなかったため、評価結果から予測モデルへの漏れを防いでいました。

コンポーネント4:強化学習に基づく適応フィードバックシステム
適応的フィードバックシステムはQ学習を用い、フィードバック選択をマルコフ決定過程として定式化します。状態空間(25次元)は、現在の認知状態、時間的文脈、タスクパラメータ、学習者の特性を符号化します。アクション空間は、フィードバックモダリティ、タイミング、特異性の組み合わせを表す25の離散的なアクションで構成されています。報酬関数には、パフォーマンス改善、認知過負荷回避、関与維持、修正遅延が含まれます。状態空間、アクション空間、報酬関数、Q学習更新パラメータ、収束基準の数学的定式化は補 足ファイル1(セクションS5)に詳述されています。

トレーニングセッションのワークフロー
各APLSトレーニングセッションは以下の標準化された順序に従って進行します。(1) 参加者は指定されたトレーニングワークステーションで割り当てられた資格情報を使い、APLSプラットフォームにログインします。(2) ハードウェアのキャリブレーション(アイトラッカー、モーションキャプチャ、生理センサー)が検証され、信号の完全性が認められる自動品質チェックが行われました。(3) システムは参加者の現在の学習者の表現型分類と予測された能力軌跡を取得し、セッションパラメータを設定します。(4) 最初のウォームアップモジュール(5分)では、参加者の記憶パターンに合わせて前回のセッションの内容を復習します。(5)コアトレーニングモジュール(40〜50分)では、適応アルゴリズムによって決定された難易度レベルで機器の識別、取り扱い、手順的タスクを提示し、Qラーニングポリシーに基づくリアルタイムのマルチモーダルフィードバックを提供します。(6) セッションの概要とパフォーマンスダッシュボードが表示され、参加者の個人の学習軌道や能力のマイルストーンに対する進捗を示します。(7) 参加者が簡単な満足度調査(2分)を完了します。(8) セッションデータはモデル更新のために自動的にクラウドサーバーにアップロードされます。

対照群手順
対照群は標準化された機関プロトコルに従い、従来の手術室器具訓練を受けました。研修は、シニア手術室(OR)看護師教育者による最初の8時間の教室講義で構成され、器具の分類、命名法、取り扱いの原則、滅菌技術を扱いました。外科専門分野ごとに整理された器具写真、仕様書、説明を含む印刷された訓練マニュアル(187ページ)、物理機器セットを用いたシミュレーションラボでの4時間の実践ワークショップ(インストラクター対学習者比率1:6)、自己指導型レビューのためのデジタル研修資料を含む機関学習管理システムへのアクセス;そして四半期ごとの定期リフレッシャーセッション(2時間)で、よく混乱しがちな楽器を復習しています。学習期間中の構造化された指導時間は合計20時間でした。適応型アルゴリズム、パーソナライズされた経路、AI強化コンポーネントは一切組み込まれていません。

アウトカム指標
主要アウトカム は、訓練後12か月時に検証済みの周術期器具習熟度尺度(PIPS)を用いて知識保持を評価したものでした。文献レビューや専門家フォーカスグループによる項目生成、3ラウンドの修正デルファイ内容検証(内容妥当度指数=0.94)、探索的および確認的因子分析、行動に固定されたスコアリングルーブリックを含むPIPS開発プロセス全体は 、補足ファイル3に記録されています。この機器は強い心理測定特性を示しました(クロンバックα = 0.92、テスト再検査ICC = 0.91(2週間間隔)。PIPSは、計器識別(6項目)、取り扱い能力(6項目)、安全プロトコル(6項目)、チームコミュニケーション(6項目)の4つの領域にまたがる24項目で構成されています。各項目は5点リッカート尺度(1=初心者→5=エキスパート)を使い、行動に固定された記述子が使われています。総得点は24から120の範囲で、得点が高いほど熟練度が高いことを示します。

PIPS評価は、訓練を受けた評価者(手術室経験>10年の経験を持ち、8時間の標準化研修プログラムを修了した6名の外科看護師)によって、ベースライン、介入直後、および1、3、6、12か月の追跡時に実施されました。評価者は符号化された参加者識別子を通じてグループ割り当てを盲検し、APLS特有のインターフェース要素やフィードバック表示を編集した映像を評価しました。評価者には、参加者がどのようなトレーニングを受けたかについての説明はありませんでした。評価者間信頼性は評価の20%を二重に符号化して確立され(n = 128)、全領域でICC > 0.85(総スコアICC = 0.89、95% CI:0.85-0.92)を達成しました。

副次的なアウトカムは以下の通りです:(1) 機器取り扱いに適応した客観的構造化技術能力評価(OSATS)による実践的能力評価(OSATS)。これは6つの標準化されたステーション(最大30ポイント)で構成され、盲検専門家評価者(ICC = 0.87)がベースラインおよび3、6、12ヶ月時に実施しました。(2) 訓練時間効率は、能力閾値(PIPS ≥ 75)を達成するための総時間数として測定されました。(3) 費用対効果は、有能な学習者一人当たりの費用として計算され、直接・間接費用を含み、機関会計データを用いて2024人民元に正規化されます。(4) 学習者満足度は5点リッカート尺度アンケート(27項目、内部一貫性α=0.91)を用いて評価されました。(5) 機関の安全性報告システムからの探索的臨床パフォーマンス指標:研修後12か月間の器具関連インシデント報告で、手術件数1,000件あたりの率を症例の複雑度で調整したもの。安全性事故の結果は、これらの低周波事象の差異を検出する検出力がなかったため、探索的結果と分類されました。

統計解析手法
すべての統計解析は Rバージョン4.3.0 と RStudio インターフェースおよび以下のパッケージを使用して実施されました:混合効果モデル用の lme4 、推定限界平均( emmeans 、モデル調整群平均計算および適合混合効果モデルからのTukey、Bonferroni、またはSchefféの事後比較を行うRパッケージ)、心理測定分析のための psych 、 effsize(エフサイズ )(標準化された効果サイズ(コーエンのdやヘッジズのgを含む信頼区間を含む)を計算するためのRパッケージ、複数補完のための マウス 。有意の閾値は、すべての仮説検定に対して事前に α = 0.05(両側)として確立されました。

複数の比較補正が適用されました。主要アウトカム(時間点にわたるPIPS総スコア)については、線形混合効果モデル内のグループ×時間相互作用からケンワード・ロジャー自由度を用いて導出され、複数の時間点で別々に補正する必要はありません。PIPSドメインのサブスケール(4つの同時比較)にはボンフェローニ補正が適用されました(調整後α=0.0125)。二次的アウトカム(4つの指標:OR効率スコア、安全性インシデント、TEAMコミュニケーションスコア、エラー頻度)には、ベンジャミニ・ホッホバーグ偽発見率手法(q = 0.05)を適用しました。AIシステム性能指標(10件の内部比較)ではボンフェローニ補正が適用されました(調整後α = 0.005)。報告されたすべてのp値および有意性決定は、該当する補正を明示的に参照しています。

すべての一次および二次グループ間アウトカムは、グループ、時間、相互作用に固定効果を持つ線形混合効果モデル、参加者および学科のランダム切片(クラスタベース配分によるクラス内相関を考慮した)を用いて解析しました。学部レベルでのクラス内相関係数が推定され、クラスタリングの度合いを定量化しました。欠損したデータパターンはリトルのMCARテストを用いて評価されました。データは完全にランダムに欠落していると判断され、予測平均マッチング(m = 20の補完データセット、ルービンのルールによる結果の統合)を用いた複数補完によって処理されました。完全な症例分析、変動する補欠番号(m = 10、m = 50)、および最悪・最良ケースシナリオを用いた感度分析でロバスト性が評価されました。

Results

参加者の特徴
最終サンプルには、優れた定着率を持つ107名の参加者が含まれていました(図1)。修了者(n = 107)と退学者(n = 13)を比較した離脱分析では、ベースライン特性に有意な差は見られませんでした:年齢(t = 0.89, p = 0.38)、性別(χ² = 0.21, p = 0.64)、専門職(χ² = 1.45, p = 0.48)、ベースラインPIPSスコア(t = 0.62, p = 0.54)、またはグループ配属(χ² = 0.03, p = 0.86)は、リトルのMCARテストで完全に無作為に確認された欠落を支持する(χ² = 43.2, df = 38、p = 0.26)。

ベースラインの特徴はグループ間のバランスが成功し、人口統計的変数、学歴、既往経験、技術の快適さレベルで有意な差はありませんでし...

Discussion

クラスターベースの部門配分による準実験的要素を取り入れたこの前向き観察研究は、複数の機械学習アルゴリズムを統合したAI搭載のパーソナライズ学習システムが、従来の教育手法と比較して手術室の器具訓練成果を大幅に向上させることの証拠を提供しています。この発見は人工知能の手法論と外科教育の実践の両方に示唆を与えます。しかし、以下で述べるように、いくつかの重要な注意点が推論の強さを和らげています。

APLSフレームワークは、教師なし学習者の表現型付け、転移学習に基づくツール認識、アンサンブル能力予測、強化学習に基づく適応的フィードバックという4つのアルゴリズム的に異なる要素を統合した統一プラットフォームを提案し、一貫した教育介入を実現します。私たちの知る限り、これは外科教育における統合システムの数少ない実証の一つであり、従来のプラットフォームは通常単一アルゴリズムのアプローチを採用したり、個別のコンポーネントに対応していた8,10,11です。

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
ハプティックフィードバック手術シミュレーター(Touch X)	3Dシステムズ(旧センサブル)	ファントオブム プレミアム 3.0	6自由度のハプティックデバイス;組織操作や縫合作業中のAI駆動フォースフィードバック伝達の主要インターフェースとして使用されます
シミュレーションソフトウェアプラットフォーム(SimSurgery™AIスイート)	カスタム/社内で開発	該当なし	リアルタイムパフォーマンス分類と適応フィードバック生成のためのコンボリューションニューラルネットワーク(CNN)モジュールを統合した独自のAI駆動トレーニングソフトウェア
フォース/トルクセンサー	ATIインダストリアルオートメーション	ナノ17 SI-12-0.12	組織取り扱いおよび縫合運動中に加えられた器具力(分解能:0.003 N)を測定します。AI分類アルゴリズムに入力されたデータ
モーショントラッキングシステム	ノーザン・デジタル社(NDI)	ポラリス・ベガST	手術器具の軌跡の光学追跡;0.12 mm RMSの体積精度;計器航法精度評価に使用
腹腔鏡下計器セット(トレーニング用)	カール・ストルツ SE &KG中隊	26003 AA / 33310 DB	AI駆動および従来型訓練用アームの両方で使用される標準的な5mm腹腔鏡グラッパーおよびニードルドライバー
ハイフィデリティ組織ファントム(軟部組織モデル)	シンデイバー研究所	外科的腹部モデル(SKU: SYN-ABD)	縫合、解離、組織取り扱いのための検証済み合成組織代替物;メーカーのガイダンスに従い、50回ごとに交換してください
GPUワークステーション	NVIDIA / Dell	Dell Precision 7920 搭載NVIDIA A6000(48GB VRAM)	リアルタイムAI推論を実行する計算ハードウェア(CNN分類遅延&15ミリ秒);ハプティックデバイスに接続された専用サーバー
ニューラルネットワークフレームワーク	オープンソース(Meta AI)	PyTorch v2.1.0	適応フィードバックアルゴリズムのモデル訓練、検証、リアルタイム推論に使用される深層学習フレームワーク
統計分析ソフトウェア	IBM社	IBM SPSS 統計 v29.0	すべての一次および二次的アウトカム解析において、混合効果モデリング、独立標本t検定、反復測定ANOVAに使用
データ可視化およびグラフ作成ソフトウェア	GraphPadソフトウェア	GraphPad プリズム v10.0	誤差バー(標準差および95%信頼区間)、保持曲線、グループ化された棒グラフを含むすべての原稿図の作成に使用されます
ビデオ録画システム	ストライカー社	1688 AIM 4Kプラットフォーム	盲検的な事後専門家評価のための術中およびシミュレーションセッションのビデオキャプチャ(OSATSスコアリング)
構造化評価ツール(OSATS)	該当なし & mdash;検証済み公開機器	Martinら、1997年(Br J Surg)	技術スキルの客観的構造化評価;7項目からなるグローバル評価尺度(1–1品あたり5枚)縫合や組織取り扱いの盲検専門家による評価に使用されます
ランダム化およびデータ管理ソフトウェア	オープンソース	REDCap v13.7.2	参加者割り当てのための電子データ収集(クラスターベースの部門別)、人口統計データ収集、縦断的なフォローアップスコア追跡
オーディオフィードバックモジュール	カスタム/社内で開発	該当なし	マルチモーダルフィードバックシステムに統合されたリアルタイムの矯正聴覚手がかり(トーンコード警告)を提供するソフトウェアモジュール
機関別アンケート(学習者満足度調査)	カスタム/社内で開発	該当なし	18項目リッカート尺度(1–5) トレーニング効果、システムの使いやすさ、学習者の自信を評価するアンケート;研修後および24週間追跡時に実施