Research Article
Bu ilikli gözlemsel çalışma, yapay zeka destekli kişiselleştirilmiş öğrenme sisteminin uzun vadeli ameliyathane aletlerinin yetkinliğini önemli ölçüde iyileştirdiğini, güvenlik olaylarını azalttığını ve geleneksel eğitime kıyasla eğitim verimliliğini artırdığını gösterdi.
Geleneksel ameliyathane enstrüman eğitimi genellikle herkese uyan tek bir öğretime dayanır, uzun vadede beceri kalıcılığı zayıf olur ve önlenebilir cerrahi hatalara katkıda bulunur. Mevcut çalışma, yapay zeka (YZE) destekli kişiselleştirilmiş öğrenme sisteminin, pratiği bireysel öğrenen profillerine göre uyarlayarak teknik yetkinliği, hasta güvenliğini ve eğitim verimliliğini artırabileceğini öne sürdü. Veri odaklı öğrenici fenotipleme, derin öğrenme tabanlı enstrüman tanıma, yetenek yörüngelerinin topluluk tahmini ve pekiştirme öğrenimini birleştiren yapay zeka destekli kişiselleştirilmiş öğrenme sistemi (APLS) geliştirilmiştir; bu sistem, simülasyon tabanlı eğitim sırasında uyarlanabilir çoklu modal geri bildirim sağlamaktadır. Bir üçüncü hastanede küme tabanlı bölüm tahsisi (yarı-deneysel unsurlar dahil edilen) yapılan bir perspektif gözlemsel çalışmada, 107 çok disiplinli ameliyathane personeli ya yapay zeka odalı müfredatı ya da standart eğitmen liderliğindeki eğitimi tamamladı. Birincil sonuç, perioperatif alet yeterlilik ölçeği (PIPS) ile ölçülen 12 aylık enstrüman kullanımı yeterliliğiydi; İkincil sonuçlar arasında ameliyathane güvenliği olayları, eğitim süresi ve yetkin bir uzman başına maliyet yer alıyordu. Geleneksel eğitime kıyasla, kişiselleştirilmiş sistem 12 aylık yeterlilik puanlarının önemli ölçüde daha yüksek olmasına (APLS 84.1 ± 9.2 vs. Kontrol 58.9 ± 18.7, p < 0.001), klinik uygulamada daha az güvenlikle ilgili olaylarla ilişkilendirildi ve eğitim süresinin neredeyse yarısı ile genel eğitim maliyetlerini %38.3 azalttı. Yapay zeka topluluğu, öğrenen performansını tahmin ederken ve geri bildirim stratejilerini seçerken bireysel makine öğrenimi bileşenlerinden daha iyi performans gösterdi. Bu bulgular, denetimsiz fenotip keşfi, denetimli tahmin ve pekiştirme öğreniminin birleşik bir platforma entegre edilmesinin ameliyathane enstrüman eğitimini anlamlı şekilde geliştirebileceğini ve perioperatif bakımda veri odaklı iş gücü geliştirme için ölçeklenebilir bir çerçeve sunabileceğini öne sürmektedir.
Ameliyathane ortamı, sağlık hizmetlerinin en karmaşık ortamlarından birini temsil eder; etkili çok disiplinli iş birliğinin hasta güvenliği sonuçlarını ve cerrahi kaliteyi doğrudanetkilediği 1,2. Yetersiz alet yetkinliği eğitimi, yalnızca Çin hastanelerinde yılda tahmini 15.000 önlenebilir cerrahi hataya katkıda bulunur; iletişim arızaları ve teknik eksiklikler perioperatif yan olayların %72'sini oluşturur3. Geleneksel eğitim yaklaşımları, bireysel öğrenme farklılıklarını, bilişsel işlem varyasyonlarını ve kişiselleştirilmiş yeterlilik gelişim yollarını hesaba katmayan standartlaştırılmışmetodolojilere dayanır 4,5.
Teorik açıdan, birçok eğitim çerçevesi, kişiselleştirilmiş yaklaşımların karmaşık psikomotor alanlarda standartlaştırılmış eğitimden neden üstün olabileceğini açıklar. Bilişsel yükteorisi 6, öğretim tasarımının çalışma hafızasının sınırlı kapasitesini hesaba katması gerektiğini öne sürer; özellikle öğrenenlerin aynı anda ameliyathane gibi yüksek isabetli ortamlarda yeni prosedürel, kavramsal ve algısal bilgileri işlemek zorunda kaldığında. İçerik zorluğunu ve sunum modalitesini bireysel bilişsel profillere uyarlayarak, kişiselleştirilmiş sistemler içsel ve dışsal bilişsel yük arasındaki dengeyi optimize edebilir. Kasıtlı uygulama çerçevesi, eğitimin bireysel zorluk seviyeleri, anında düzeltici geri bildirim ve tespit edilen zayıflıklar üzerine odaklanmış tekrarı içerdiğinde beceri ediniminin en yüksek seviyeye ulaştığını öne sürmektedir; bu unsurlar geleneksel çıraklık modellerinde tutarlı şekilde uygulanması zor olsa da, algoritmik uyarlama yoluyla doğal olarak uygulanabilir8. Ayrıca, yakın gelişim bölgesi, uyarlanabilir zorluk ayarlaması için teorik bir temel sağlar; bu da öğrenmenin en etkili olmasının görevlerin öğrenenin mevcut bağımsız yeteneğinin hemen ötesine düşecek şekilde kalibre edildiğindeolduğunu gösterir 9. Bu teorik değerlendirmeler, bireysel öğrenici özelliklerine öğretim parametrelerini dinamik olarak ayarlayabilen bir yapay zeka sisteminin statik, herkese uyan tek ölçülü eğitimi geride bırakması hipotezini desteklemektedir.
Makine öğrenimi ve gerçek zamanlı performans analitiği alanındaki son gelişmeler, eğitim zorluklarını ele almak için önemli potansiyelsunmuştur 6,7. Çağdaş yapay zeka uygulamaları, cerrahi eğitimde umut vaat etmiştir; araştırmalar, yapay zeka destekli geri bildirim sistemleri uygulandığında beceri kazanımında önemli iyileşmelerolduğunu bildirmiştir 9. Ancak, Touch Surgery gibi ticari olarak mevcut sistemler ve öncekibir çalışma 8 dahil olmak üzere mevcut yapay zeka tabanlı cerrahi eğitim platformları, esas olarak tek algoritma mimarilerine, genellikle izole sinir ağları veya karar ağlarına dayanmıştır; bu mimariler, gerçek zamanlı uyarlanabilir geri bildirim veya bireysel öğrenme yolu optimizasyonu olmadan adım adım görsel rehberlerle prosedür provası sağlar. Önceki çalışmalar, heterojen veri akışlarının (göz izleme, hareket yakalama ve fizyolojik izleme) multimodal sensör füzyon işlemesini, pekiştirme öğrenme yoluyla bireysel öğrenme yörüngelerine dinamik olarak uyum sağlayan uyarlanabilir geri besleme mekanizmalarıyla entegreetmemiştir 10,11. Ayrıca, mevcut sistemler denetimsiz fenotip keşfini denetimli tahmin yöntemleriyle birleşik bir eğitim çerçevesiiçinde birleştirmemiştir 12,13. Bu boşluklar, kişiselleştirilmiş öğrenme teorik literatürü, entegre ve çok bileşenli adaptif sistemlerin tek bileşenli yaklaşımlardan daha etkili olması gerektiğini güçlü bir şekilde öne sürdüğünde, kaçırılan fırsatlarıtemsil eder 14.
Perioperatif ortamlarda mevcut eğitim çerçeveleri birkaç önemli sınırlamaya sahiptir 8,15. Geleneksel çıraklık modelleri, eğitmen kalitesi, geri bildirim standartlaştırması ve yeterlilik değerlendirme güvenilirliğinde önemli değişkenliklere sahip tutarsız öğrenme deneyimleri sunar. Bu yaklaşımlar çeşitli öğrenme stillerini karşılamakta, bireysel ilerleme oranlarına uyum sağlamaz ve eğitim sonuçlarını optimize etmek için gerekli sofistike analizlerdenyoksundur 11,15. Bu karşılanmamış ihtiyaçları karşılamak için, bu çalışma, çok disiplinli ameliyathane enstrüman eğitimi için tasarlanmış tek bir uyarlanabilir platformda dört algoritmik olarak farklı bileşeni birleştiren kapsamlı bir eğitim girişimini (AI) destekli kişiselleştirilmiş öğrenme sistemini (APLS) tanıtmaktadır. Bildiğimiz kadarıyla, sistem cerrahi eğitim literatüründe aşağıdaki yetenekleri ampirik olarak entegre eden en erken sistemlerden biridir: veri odaklı öğrenici fenotipi keşfi için denetimsiz kümeleme ile gerçek zamanlı fenotip ataması için denetimli sınıflandırmayı birleştiren hibrit mimari; sınırlı alana özgü veriler kullanarak önceden eğitilmiş konvolüsyon sinir ağını cerrahi enstrüman görsel tanımasına uyarlayan transfer öğrenme boru hattı; geri bildirim zamanlamasını ve modalitesini öğrenen etkileşimi yoluyla yinelemeli olarak geliştiren bir güçlendirme öğrenme modülü; ve birden fazla heterojen algoritmadan çıkan çıktıları sentezleyerek, yetenek yörüngelerini yalnızca herhangi bir bileşen modelden daha doğru tahmin eden bir topluluk tahmin çerçevesi. APLS'yi, öğrenme sonuçları, klinik performans göstergeleri, eğitim verimliliği ve maliyet etkinliğinin 12 aylık iliksel karşılaştırmasıyla standart eğitmen liderliğindeki eğitimle karşılaştırarak, bu çalışma, birleşik yapay zeka destekli kişiselleştirilmiş bir platformun perioperatif enstrüman eğitimini mevcut pedagojik uygulamanın ötesine anlamlı şekilde ilerletip ilerletemeyeceğini belirlemeyi amaçlamaktadır.
Access restricted. Please log in or start a trial to view this content.
Bu çalışma, Helsinki Bildirgesi'ne uygun olarak yürütülmüş ve Zhejiang Üniversitesi Tıp Fakültesi Sir Run Run Shaw Hastanesi Etik Komitesi tarafından onaylanmış (Onay Numarası:0480, 10 Ağustos 2025'te onaylandı). Tüm katılımcılar katılımdan önce yazılı bilgilendirilmiş onay sundu.
Çalışma tasarımı ve ortamı
Ocak 2024'ten Şubat 2025'e kadar Çin'in Hangzhou kentindeki Zhejiang Üniversitesi Tıp Fakültesi'ndeki Sir Run Run Shaw Hastanesi'nde küme bazlı bölüm dağılımı ile perspektif gözlemsel çalışması gerçekleştirildi. Departman tabanlı tahsis stratejisi, bu tasarıma yarı-deneysel unsurlar ekler; Bu nedenle, nedensel çıkarımlar uygun bir dikkatle yorumlanmalıdır16. Çalışma, gruplar arası bilgi paylaşımını önlemek için bölüm atamasına dayalı paralel grup karşılaştırması ve tahsisi kullanıldı. Benzer temel özellikler sağlamak için katmanlı kayıt uygulandı. Hastane, standart ameliyathane ortamları, cerrahi aletler, izleme ekipmanları ve video kayıt yetenekleriyle donatılmış özel bir simülasyon laboratuvarı bulunduruyordu.
Örnek seçimi ve katılımcılar
Sağlık profesyonelleri, Kasım 2023 ile Ocak 2024 arasında Sir Run Run Shaw Hastanesi'ndeki tüm uygun perioperatif personelden (n = 342) katmanlı rastgele seçme yoluyla seçildi. Stratifikasyon değişkenleri arasında mesleki rol (hemşireler, cerrahi teknologlar ve anestezi teknisyenleri), deneyim seviyesi (<5, 5–10, 10–15 ve >15 yıl), eğitim seviyesi (önlisans, lisans ve yüksek lisans) ve klinik bölüm (genel cerrahi, ortopedi cerrahisi, kardiyovasküler cerrahi ve diğer uzmanlıklar) yer alıyordu. Bilgisayar tarafından oluşturulan rastgele sayılar (R yazılımı, set.seed = 12345 tekrarlanabilirlik için) her katmanda örneklem fonksiyonu kullanılarak uygulanarak tüm demografik ve profesyonel kategorilerde temsilli örnekleme sağlandı. Örneklem büyüklüğü, ön pilot verilere (n = 30) dayanarak G*Power 3.1.9.7 yazılımı kullanılarak hesaplandı; beklenen etki boyutu Cohen'in d = 0.60, iki kuyruklu anlamlılık seviyesi α = 0.05 ve istenen istatistiksel güç (1 − β) = 0.80, minimum olarak 90 katılımcı (grup başına 45) gerekliliğini gösteriyor. Kurumsal tarihsel verilere dayanarak beklenen %15 terk oranını (attrition) hesaba katmak için hedef kayıt 104 olarak belirlendi. Gerçek kayıt 120 katılımcıya ulaştı ve son %11 kaybı hesaba alındıktan sonra %87 güç sağladı.
Dahil etme kriterleri gereklidir
(1) Sir Run Run Shaw Hastanesi'nde perioperatif görevlerde mevcut istihdam; (2) en az 6 aylık ameliyathane deneyimi olmalı; (3) tüm 13 aylık çalışma süresi boyunca uygunluk; (4) Tüm değerlendirme faaliyetlerine katılmaya istekli; ve (5) temel bilgisayar okuryazarlığı, web tarayıcılarında gezinme ve klavye/fare girişlerini bağımsız olarak kullanma yeteneği olarak tanımlanır.
Dışlanma kriterleri dahil edildi
Çalışma döneminde planlanan uzatılmış izin, önceki 6 ay içinde diğer cerrahi alet eğitim programlarına katılım, görme bozuklukları 20/40 görme veya daha iyi şekilde düzeltemiyor ve mevcut resmi cerrahi teknoloji programlarına kayıt. Başlangıçta toplam 120 katılımcı işe alındı, 107'si tam çalışma protokolünü tamamladı (%89,2 tamamlanma oranı). Çekilme nedenleri arasında iş değişiklikleri (n = 7), kişisel durumlar (n = 4) ve teknolojiyle ilgili zorluklar (n = 2) yer alıyordu. Lojistik regresyon kullanılarak yapılan attrisiyon analizi, çekilme ile başlangıç özellikleri arasında yaş (OR = 1.03, p = 0.52), cinsiyet (OR = 0.87, p = 0.85), profesyonel rol (p = 0.73) veya başlangıç PIPS puanları (OR = 1.01, p = 0.67) arasında anlamlı bir ilişki görmedi; bu, Little'ın MCAR testi ile doğrulanan rastgele eksik bir desen olduğunu gösteriyor (χ2 = 43.2, df = 38, p = 0.26).
Grup ataması
Eğitim müdahalelerinde bulunan kontaminasyon etkilerini en aza indirmek için, katılımcılar bölüm bağlılığına göre müdahale veya kontrol gruplarına atandı. Bölümler (n = 8) cerrahi vaka hacmi ve personel büyüklüğüne göre çiftlere eşleştirilmiş ve bilgisayar tabanlı rastgeleleştirme kullanılarak APLS veya kontrol koşullarına rastgele atanmıştır (R yazılımı, tohum = 54321). Bu küme tabanlı yaklaşım, bölümler içinde bireysel rastgeleleştirmenin, meslektaşların bilgi ve eğitim deneyimlerini paylaştıkları için önemli çapraz bulaşma riski yaratması nedeniyle benimsendi. Departman kültürünün, liderlik kalitesinin, temel eğitim uygulamalarının ve vaka karışımının sonuçları bağımsız olarak etkileyebileceği, bu da bireysel olmayan rastgele tasarımda tam olarak ele alınamayan potansiyel kalıntı karıştırıcı kaynakları temsil edebileceğikabul edilmektedir 16. Stratifikasyonlu örneklem, karşılaştırılabilir temel özellikler sağladı. PIPS değerlendirmeleri yapan sonuç değerlendiricileri, kodlanmış katılımcı tanımlayıcıları aracılığıyla grup atamasına kör edildi. İstatistiksel analistler, birincil analizler tamamlanana kadar maskeli grup etiketleriyle kimliği silinmiş veri setleri aldı.
APLS sistem mimarisi ve teknik uygulaması
APLS, bulut tabanlı bir platformda çalışan dört entegre hesaplama bileşeninden oluşur (Materyal Tablosu). Sistem, açık kaynaklı derin öğrenme çerçeveleri ve web tabanlı ön uç (bkz. Materyaller Tablosu) kullanılarak geliştirilmiştir; RESTful API protokolleri (Ön uç istemci ve sunucu tarafı makine öğrenimi modülleri arasında standartlaştırılmış HTTP tabanlı iletişimi sağlayan temsilli durum aktarım uygulama arayüzü), JSON Web Token (JWT) tabanlı kimlik doğrulama (yalnızca yetkili kullanıcıların ve sistem bileşenlerinin öğrenici verilerine ve model uç noktalarına erişebilmesini sağlar) ile geliştirilmiştir. ve TLS 1.3 taşıma katmanı şifrelemesi (istemci cihazlar, uygulama sunucusu ve bulut tabanlı model hizmet altyapısı arasında aktarılan tüm verileri güvence altına almak) veri güvenliği için sağlandı. Yazılım ortamının tam tanımı, bağımlılık özellikleri (requirements.txt), yapılandırma dosya yapısı ve veri boru hattı başlatma komutları dahil olmak üzere Ek Dosya 1'de sunulmaktadır.
Donanım kurulumu ve kalibrasyonu
Her eğitim oturumundan önce, aşağıdaki donanım kalibrasyon dizisi gerçekleştirilirdi. Katılımcının gözlerinden 60–70 cm uzaklıkta, yükseklik ayarlanabilir bir montajda bir göz takip cihazı (bkz. Malzemeler Tablosu) yerleştirildi ve kalibrasyon üreticinin standart 9 noktalı protokolüyle ≤0,5° görsel açı doğruluğuyla gerçekleştirildi. Sekiz kameralı bir dizi ( bkz. Malzemeler Tablosu), eğitim istasyonu merkezinden 2,5 m yarıçaplı dairesel bir şekilde düzenlenmiş, 1,8 m ile 2,4 m arasında değişen yüksekliklerde konumlandırılmış ve üreticinin asa prosedürüyle ≤0,3 mm kalıntı hata eşiği ile kalibre edilmiştir. Yansıtıcı işaretleyiciler (n = 16, çap = 12,7 mm), Ek Dosya 2'de tanımlanan işaret yerleştirme protokolüne uygun olarak her iki el ve bilekte standart anatomik işaretlere yapıştırıldı. Fizyolojik izleme cihazları üreticinin talimatlarına göre bağlandı ve seans başlatmadan önce sinyal kalitesi doğrulandı.
Bileşen 1: Öğrenen fenotip sınıflandırma sistemi
Sınıflandırma sistemi, denetimsiz ve denetimli öğrenmeyi birleştiren iki aşamalı hibrit bir yaklaşım kullanır. Birinci aşamada, temel değerlendirme verilerinde doğal öğrenen gruplarını keşfetmek için k-means kümelenmesi kullanılır. Giriş özellikleri (n = 37) temel PIPS alan puanları (4 özellik), VARK öğrenme tarzı envanter puanları (4 özellik), bilgisayarlı tepki süresi görevlerinden bilişsel işlem hızı (3 özellik), teknoloji konforu puanları (1 özellik), demografik değişkenler (3 özellik), rağmal aralığı testlerinden çalışma belleği kapasitesi (2 özellik), zihinsel rotasyon görevlerinden mekansal akıl yürütme (1 özellik), ince motor becerisi temel puanları (3 özellik) içerir. Big Five kişilik özellikleri (5 özellik) ve kurumsal kayıtlardan önceki performans ölçümleri (3 özellik). Detaylı ön işleme spesifikasyonları, hiperparametre optimizasyon prosedürleri ve özellik önemi sıralamaları Ek Dosya 1'de (Bölüm S2) sağlanmıştır. Ortaya çıkan üç küme hızlı (%30,9), ortalama (%49,1) ve yavaş öğrenenler (%20,0) olarak tanımlandı. Aşama 2'de, denetimli sınıflandırma, küme etiketlerinde eğitilmiş destek vektör makineleri kullanılarak gerçekleştirilir ve böylece yeni öğrenenlerin gerçek zamanlı sınıflandırılmasını sağlar. Tam hiperparametre arama alanı, çapraz doğrulama sonuçları ve sınıf başına sınıflandırma metrikleri Ek Dosya 1'de (Bölüm S2.3) bildirilmiştir.
Bileşen 2: Çok Modal veri entegrasyonu ve sensör füzyon sistemi
Platform, beş heterojen veri akışını entegre eder: göz izleme verisi, hareket yakalama verileri, fizyolojik izleme (kalp atış hızı değişkenliği, galvanik cilt tepkisi ve tükürük kortizolü), otomatik video analiziyle performans analizi ve etkileşim kaydı. Detaylı sensör spesifikasyonları, ön işleme boru hatları, özellik çıkarma prosedürleri ve bilişsel durum tahmini için konvolüsyon sinir ağı mimarisi Ek Dosya 1'de (Bölüm S3) açıklanmıştır. Füzyon sistemi, her 1 saniyede bir güncellenen bilişsel durum temsilleri üretir ve entegre dikkat, motor yürütme, bilişsel yük ve görev performansını kodlar.
Bileşen 3: Öngörücü analiz motoru
Topluluk tahmin sistemi, üç tamamlayıcı algoritmayı birleştirir: rastgele orman, gradyan artırma makinesi (XGBoost) ve bilişsel durum gömülmelerini zaman serisi olarak işleyen uzun kısa süreli bellek (LSTM) katmanlarına sahip derin sinir ağı. Topluluk toplama, doğrulama verileriyle optimize edilmiş ağırlıklı yumuşak oy kullanır. Tam algoritmik spesifikasyonlar, hiperparametre değerleri, eğitim prosedürleri ve yakınsama tanılaması Ek Dosya 1'de (Bölüm S4) sağlanmıştır. Eğitim, doğrulama, dağıtım ve değerlendirme veri setleri kesin olarak ayrılmıştı; Model geliştirme, yalnızca önceki 150 katılımcılı pilot çalışmadan (%80 eğitim, %20 doğrulama) veri kullandı ve mevcut çalışma katılımcıları tamamen tutturulmuş bir dağıtım veri seti oluşturdu. Dağıtım sırasında sürekli yeniden eğitim, yalnızca önceki 7 günlük etkileşim verilerini kullandı ve sonuç değerlendirme verilerini içermedi, böylece değerlendirme sonuçlarından tahmin modellerine sızma engellendi.
Bileşen 4: Pekiştirme öğrenme tabanlı uyarlanabilir geri bildirim sistemi
Uyarlanabilir geri besleme sistemi, Q-öğrenme kullanır ve geri bildirim seçimini bir Markov karar süreci olarak formüle eder. Durum uzayı (25 boyutlu) mevcut bilişsel durumu, zamansal bağlamı, görev parametrelerini ve öğrenen özelliklerini kodlar. Eylem uzayı, geri besleme modalitesi, zamanlama ve özgüllük kombinasyonlarını temsil eden 25 ayrı eylemden oluşur. Ödül fonksiyonu performans iyileştirmesi, bilişsel aşırı yükten kaçınma, etkileşim koruma ve düzeltme gecikmesini içerir. Durum uzayı, eylem uzayı, ödül fonksiyonu, Q-öğrenme güncelleme parametreleri ve yakınsama kriterlerinin matematiksel formülasyonu Ek Dosya 1'de (Bölüm S5) detaylandırılmıştır.
Eğitim oturumu iş akışı
Her APLS eğitim oturumu aşağıdaki standart diziye göre ilerler. (1) Katılımcı, belirlenen eğitim çalışma istasyonunda atanan kimlik bilgileriyle APLS platformuna giriş yapar. (2) Donanım kalibrasyonu (göz takipçisi, hareket yakalama ve fizyolojik sensörler) doğrulandı ve otomatik kalite kontrolleri kabul edilebilir sinyal bütünlüğünü doğruladı. (3) Sistem, katılımcının mevcut öğrenici fenotip sınıflandırmasını ve tahmin edilen yetkinlik yörüngesini geri alarak oturum parametrelerini yapılandırmayı sağlar. (4) İlk ısınma modülü (5 dakika), önceki oturumdan içeriğin katılımcının tutma modeline uyarlanmış bir incelemesini sunar. (5) Temel eğitim modülü (40-50 dakika), uyarlanabilir algoritma tarafından belirlenen zorluk seviyelerinde enstrüman tanımlama, kullanımı ve prosedürel görevleri sunar; gerçek zamanlı çoklu modal geri bildirim Q-öğrenme politikasına göre sunulur. (6) Katılımcının kişisel öğrenme yolculuğu ve yeterlilik kilometre taşlarına göre ilerlemeyi gösteren bir oturum özeti ve performans göstergesi gösterilir. (7) Katılımcı kısa bir memnuniyet anketi tamamlar (2 dakika). (8) Oturum verileri otomatik olarak bulut sunucusuna yüklenir ve model güncellemesi yapılır.
Kontrol grubu prosedürleri
Kontrol grubu, standart kurumsal protokollere uygun olarak geleneksel ameliyathane enstrüman eğitimi aldı. Eğitim, kıdemli ameliyathane (OR) hemşire eğitmenleri tarafından enstrüman kategorileri, adlandırma, kullanım prensipleri ve steril tekniği kapsayan ilk 8 saatlik sınıf didaktik oturumundan oluşuyordu; cerrahi uzmanlığa göre düzenlenmiş enstrüman fotoğrafları, teknik özellikleri ve açıklamalarını içeren basılı bir eğitim el kitabı (187 sayfa); eğitmen gözetimi altında fiziksel enstrüman setleriyle simülasyon laboratuvarlarında iki 4-saat uygulamalı atölye (eğitmen-öğrenen oranı 1:6); kendi kendine yönlendirilebilecek dijital eğitim materyalleri içeren kurumsal öğrenme yönetim sistemine erişim; ve genellikle karıştırılan enstrümanları inceleyen üç aylık (2 saat) tazeleme oturumları düzenlendi. Çalışma süresi boyunca toplam yapılandırılmış öğretim süresi 20 saat idi. Uyarlanabilir algoritmalar, kişiselleştirilmiş yollar veya yapay zeka ile geliştirilmiş bileşenler dahil edilmedi.
Sonuç ölçütleri
Birincil sonuç , eğitimden sonraki 12 ay boyunca doğrulanmış Perioperatif Enstrüman Yeterlilik Ölçeği (PIPS) kullanılarak değerlendirilen bilgi tutumu oldu. Literatür incelemesi ve uzman odak gruplarından ürün oluşturma, üç turlu değiştirilmiş Delphi içerik doğrulaması (içerik geçerlilik indeksi = 0.94), keşif ve onaylayıcı faktör analizi ve tam davranışsal puanlama rubrik dahil olmak üzere tüm PIPS geliştirme süreci, Ek Dosya 3'te belgelenmiştir. Cihaz güçlü psikometrik özellikler gösterdi (Cronbach α = 0.92, test-tekrar test ICC = 0.91, 2 haftalık aralıkta). PIPS, dört alanda 24 öğeden oluşur: alet tanımlama (6 madde), kullanım yeterliliği (6 madde), güvenlik protokolleri (6 madde) ve ekip iletişimi (6 madde). Her madde, davranışsal olarak belirlenmiş tanımlayıcılarla beş noktalı bir Likert ölçeği (1 = acemi ile 5 = uzman) kullanır. Toplam puan 24 ile 120 arasında değişir; daha yüksek puanlar daha yüksek yeterlilik anlamına gelir.
PIPS değerlendirmeleri, eğitimli değerlendiriciler (>10 yıllık ameliyathane deneyimi olan ve 8 saat standartlaştırılmış bir eğitim programını tamamlamış altı cerrahi hemşire) tarafından başlangıçta, müdahaleden hemen sonra ve 1, 3, 6 ve 12 aylık takipte gerçekleştirildi. Değerlendiriciler, kodlanmış katılımcı tanımlayıcıları aracılığıyla grup atamasına kör oldu ve görünür APLS'ye özgü arayüz öğeleri veya geri bildirim ekranları kaldırılacak şekilde düzenlenen video kayıtları değerlendirildi. Değerlendiricilere, katılımcıların hangi eğitim yöntemini aldıkları konusunda bilgilendirilmedi. Değerlendirmeler arası güvenilirlik, değerlendirmelerin %20'sinin çift kodlama ile (n = 128) sağlanarak tüm alanlarda ICC > 0.85 (toplam puan ICC = 0.89, %95 GA: 0.85-0.92) elde edildi.
İkincil sonuçlar şu şekildeydi: (1) alet kullanımı için uyarlanmış ve altı standartlaştırılmış istasyondan (en fazla 30 puan) oluşan kurumsal becerilerin nesnel yapılandırılmış teknik beceriler değerlendirmesi (OSATS) ile değerlendirilen pratik yetkinliğin başlangıçta ve 3, 6 ve 12 ayda kör uzman değerlendiricileri (ICC = 0.87) tarafından uygulandığı bir uygulama. (2) Eğitim süresi verimliliği, yeterlilik eşiğine ulaşmak için toplam saat sayısı olarak ölçüldü (PIPS ≥ 75). (3) Maliyet etkinliği, yetkin öğrenen başına maliyet olarak hesaplanır; doğrudan ve dolaylı maliyetler dahil edilir; maliyetler kurumsal muhasebe verileri kullanılarak 2024 Çin Yuanı'na normalleştirilir. (4) Öğrenci memnuniyeti, 5 puanlık bir Likert ölçeği anketi kullanılarak değerlendirildi (27 madde, iç tutarlılık α = 0.91). (5) Kurumsal güvenlik raporlama sistemlerinden keşfe yönelik klinik performans metrikleri: 12 aylık eğitim sonrası dönemde enstrümantla ilgili olay raporları, vaka karmaşıklığına göre ayarlanmış 1.000 cerrahi vaka başına oranlarla. Güvenlik olayları sonuçları, çalışmanın bu düşük frekanslı olaylar arasındaki farkları tespit edememesi nedeniyle keşif amaçlı olarak sınıflandırıldı.
İstatistiksel analiz yöntemleri
Tüm istatistiksel analizler, RStudio arayüzü ve aşağıdaki paketler ile R sürüm 4.3.0 kullanılarak gerçekleştirildi: karma etki modelleri için lme4, emmeans ("tahmini marjinal ortalamalar"; modele göre ayarlanmış grup ortalamalarını hesaplamak ve Tukey, Bonferroni veya Scheffé sonradan çift karşılaştırmalarını yapmak için R paketi, psikometrik analizler için R paketi, effsize (Cohen'in d ve Hedges'in g'si dahil olmak üzere güven aralıklarıyla standart etki boyutlarını hesaplamak için bir R paketi) ve çoklu ödüm için fareler. Tüm hipotez testleri için anlamlılık eşiği önceden α = 0.05 (iki kuyruklu) olarak belirlenmiştir.
Aşağıdaki gibi birden fazla karşılaştırma düzeltmesi uygulanmıştır. Birincil sonuç (zaman noktaları arasında toplam PIPS puanı) için, Kenward-Roger özgürlük dereceleri kullanılarak doğrusal karışık etkiler modelinde Grup × Zaman etkileşiminden çıkarım yapıldı; bu model, birden fazla zaman noktası için ayrı düzeltme gerektirmez. PIPS alan alt ölçekleri için (dört eşzamanlı karşılaştırma) Bonferroni düzeltmesi uygulandı (ayarlanmış α = 0.0125). İkincil sonuçlar için (dört ölçüt: OR etkinlik puanı, güvenlik olayları, TEAM iletişim puanı ve hata sıklığı) Benjamini-Hochberg yanlış keşif oranı prosedürü uygulandı (q = 0.05). Yapay zeka sistem performans metrikleri için (on dahili karşılaştırma) Bonferroni düzeltmesi uygulandı (ayarlanmış α = 0.005). Tüm bildirilen p-değerleri ve anlamlılık belirlemeleri, ilgili düzeltmeyi açıkça referans alır.
Tüm birincil ve ikincil gruplar arası sonuçlar, grup, zaman ve etkileşimleri için sabit etkilerle, katılımcılar ve bölümler için rastgele kesimler kullanılarak (küme tabanlı tahsisin sonucu ortaya çıkan sınıf içi korelasyonu hesaba katmak için) doğrusal karışık etkiler kullanılarak analiz edildi. Bölüm düzeyindeki sınıf içi korelasyon katsayısı, kümelenme derecesini nicelikle ifade etmek için tahmin edilmiştir. Eksik veri desenleri Little'ın MCAR testi kullanılarak değerlendirildi; verilerin tamamen rastgele eksik olduğu belirlendi ve tahmin edici ortalama eşleştirme kullanılarak çoklu ödümleme yoluyla işlendi (m = 20 atma veri seti, Rubin kurallarıyla birleştirilmiş sonuçlar). Tam vaka analizi, değişken ödüm sayıları (m = 10, m = 50) ve en kötü durum/en iyi senaryolarla hassasiyet analizleri sağlamlığı değerlendirdi.
Access restricted. Please log in or start a trial to view this content.
Katılımcı özellikleri
Son örneklemde mükemmel tutumlu 107 katılımcı yer aldı (Şekil 1). Tamamlananları (n = 107) yoksunluklarla (n = 13) karşılaştıran attrisiyon analizi, başlangıç özelliklerinde önemli bir fark görmedi: yaş (t = 0,89, p = 0,38), cinsiyet (χ2 = 0,21, p = 0,64), profesyonel rol (χ2 = 1,45, p = 0,48), başlangıç PIPS puanları (t = 0,62, p = 0,54) veya grup atanması (χ2 = 0,03, p = 0,86), tama...
Access restricted. Please log in or start a trial to view this content.
Bu iliksel gözlemsel çalışma, küme tabanlı bölüm tahsisi yoluyla yarı-deneysel unsurları içermekte, birden fazla makine öğrenimi algoritmasını entegre eden yapay zeka destekli kişiselleştirilmiş öğrenme sisteminin, geleneksel pedagojik yaklaşımlara kıyasla ameliyathane enstrüman eğitim sonuçlarında önemli iyileştirmelerle ilişkilendirildiğine dair kanıtlar sunmaktadır. Bu bulgular hem yapay zeka metodolojisi hem de cerrahi eğitim uygulamaları için geçerlidir; Ancak, aşağıda tartışıldığı ...
Access restricted. Please log in or start a trial to view this content.
Yazarlar, bu çalışmayla ilgili rekabet eden finansal veya finansal olmayan çıkarları olmadığını belirtmektedir.
Yazarlar, eğitim programının uygulanması ve veri toplama konusundaki destekleri için Sir Run Run Shaw Hastanesi ameliyathane personeli ve hemşirelik eğitim ekibine teşekkür etmektedir. Bu araştırma, Zhejiang Tıp ve Sağlık Projesi tarafından desteklenmiştir (hibe numarası: 2025HY0440 ve 2023KY781). Finansman kuruluşunun çalışma tasarımı, veri toplama, veri analizi, veri yorumu veya makale yazımında hiçbir rolü yoktu.
Access restricted. Please log in or start a trial to view this content.
| Name | Company | Catalog Number | Comments |
|---|---|---|---|
| Haptik Geri Besleme Cerrahi Simülasyonu (Touch X) | 3D Sistemler (eski adıyla Sensable) | PHANToM Premium 3.0 | Altı serbestlik derecesi haptik cihaz; simüle edilen doku manipülasyonu ve dikiş görevlerinde yapay zeka odaklı kuvvet geri bildirimi için birincil arayüz olarak kullanılır |
| Simülasyon Yazılım Platformu (SimSurgery™ Yapay Zeka Paketi) | Özel / Kendi Şirket İçinde Geliştirilen | Yok | Gerçek zamanlı performans sınıflandırması ve uyarlanabilir geri bildirim üretimi için konvolüsyon sinir ağı (CNN) modüllerini entegre eden özel yapay zeka tabanlı eğitim yazılımı |
| Kuvvet/Tork Sensörü | ATI Endüstriyel Otomasyon | Nano17 SI-12-0.12 | doku işleme ve dikiş egzersizleri sırasında uygulanan enstrüman kuvvetlerini (çözünürlük: 0.003 N) ölçür; AI sınıflandırma algoritmasına beslenen veriler |
| Hareket Takip Sistemi | Northern Digital Inc. (NDI) | Polaris Vega ST | Cerrahi alet yörüngelerinin optik takibi; 0.12 mm RMS hacimsel doğruluk; Alet navigasyon doğruluk değerlendirmesi için kullanılıyor |
| Laparoskopik Enstrüman Seti (Eğitim) | Karl Storz SE & Şirket KG | 26003 AA / 33310 DB | Hem yapay zeka destekli hem de geleneksel eğitim kollarında kullanılan standart 5 mm laparoskopik kavrama ve iğne sürücüsü |
| Yüksek Isabetli Doku Hayalı (Yumuşak Doku Modeli) | SynDaver Labs | Cerrahi Karın Modeli (SKU: SYN-ABD) | Dikiş, diseksiyon ve doku işleme egzersizleri için doğrulanmış sentetik doku taşıyıcısı; Üretici rehberliğine göre her 50 kullanımda değiştiriliyor |
| GPU İş İstasyonu | NVIDIA / Dell | NVIDIA A6000 ile Dell Precision 7920 (48 GB VRAM) | Gerçek zamanlı yapay zeka çıkarımı çalıştırmak için hesaplamalı donanım (CNN sınıflandırma gecikmesi < 15 ms); Haptik cihaza bağlı özel sunucu |
| Sinir Ağı Çerçevesi | Açık kaynak (Meta AI) | PyTorch v2.1.0 | Uyarlanabilir geri besleme algoritmasının model eğitimi, doğrulaması ve gerçek zamanlı çıkarımı için kullanılan derin öğrenme çerçevesi |
| İstatistiksel Analiz Yazılımı | IBM Corp. | IBM SPSS İstatistikleri v29.0 | Karma etki modelleme, bağımsız örneklemler t-testleri ve tekrarlanan ölçümlü ANOVA için tüm birincil ve ikincil sonuç analizlerinde kullanılmıştır |
| Veri Görselleştirme ve Grafikleme Yazılımı | GraphPad Yazılımı | GraphPad Prism v10.0 | Tüm makale şekillerinin oluşturulması için kullanılır; hata çubukları (SD ve %95 CI), tutma eğrileri ve gruplanmış çubuk grafikler dahil |
| Video Kayıt Sistemi | Stryker Corp. | 1688 AIM 4K Platformu | Kör post-hoc uzman değerlendirmesi için ameliyat içi ve simülasyon oturumu video kaydı (OSATS puanlama) |
| Yapılandırılmış Değerlendirme Aracı (OSATS) | N/A — Yayınlanmış onaylanmış enstrüman | Martin ve ark., 1997 (Br J Surg) | teknik becerilerin Niteliğinde Yapılandırılmış Değerlendirmesi; Yedi maddeli küresel derecelendirme ölçeği (1&ntir; Her ürün için 5) dikiş ve doku kullanımı konusunda kör uzman değerlendirmesi için kullanılıyor |
| Rastgeleleştirme ve Veri Yönetimi Yazılımı | Açık kaynak | REDCap v13.7.2 | Katılımcı tahsisi için elektronik veri toplama (küme tabanlı bölüm), demografik veri toplama ve uzunlamasına takip puan takibi |
| Ses Geri Besleme Modülü | Özel / Kendi Şirket İçinde Geliştirilen | Yok | Multimodal geri besleme sistemine entegre edilmiş gerçek zamanlı düzeltici işitsel ipuçları (ton kodlu uyarılar) sağlayan yazılım modülü |
| Kurumsal Anket (Öğrenci Memnuniyeti Anketi) | Özel / Kendi Şirket İçinde Geliştirilen | Yok | 18 maddelik Likert ölçeği (1&ntir; 5) algılanan eğitim etkinliğini, sistem kullanılabilirliğini ve öğrenen özgüvenini değerlendiren anket; eğitim sonrası ve 24 haftalık takipte uygulandı |
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