Chirurgische Gesten als Methode zur Quantifizierung der chirurgischen Leistung und zur Vorhersage von Patientenergebnissen
npj Digital Medicine Band 5, Artikelnummer: 187 (2022) Diesen Artikel zitieren
2050 Zugriffe
3 Zitate
27 Altmetrisch
Details zu den Metriken
Wie gut eine Operation durchgeführt wird, wirkt sich auf die Ergebnisse eines Patienten aus; Allerdings bleibt die objektive Quantifizierung der Leistung eine ungelöste Herausforderung. Die Zerlegung eines Eingriffs in einzelne Instrument-Gewebe-„Gesten“ ist eine neue Möglichkeit, die Chirurgie zu verstehen. Um dieses Paradigma in einem Verfahren zu etablieren, bei dem die Leistung der wichtigste Faktor für die Patientenergebnisse ist, identifizieren wir 34.323 einzelne Gesten, die in 80 nervenschonenden robotergestützten radikalen Prostatektomien in zwei internationalen medizinischen Zentren durchgeführt wurden. Gesten werden in neun verschiedene Dissektionsgesten (z. B. heißer Schnitt) und vier unterstützende Gesten (z. B. Zurückziehen) eingeteilt. Unser primäres Ergebnis besteht darin, Faktoren zu identifizieren, die die einjährige Wiederherstellung der erektilen Funktion (EF) eines Patienten nach radikaler Prostatektomie beeinflussen. Wir stellen fest, dass ein geringerer Einsatz von Hot Cut und ein häufigerer Einsatz von Peel/Push statistisch mit einer besseren Chance auf eine EF-Erholung nach einem Jahr verbunden sind. Unsere Ergebnisse zeigen auch Wechselwirkungen zwischen der Erfahrung des Chirurgen und den Gestentypen – die Auswahl ähnlicher Gesten führte je nach Erfahrung des Chirurgen zu unterschiedlichen EF-Erholungsraten. Um dieses Framework weiter zu validieren, erstellen zwei Teams unabhängig voneinander unterschiedliche Modelle für maschinelles Lernen unter Verwendung von Gestensequenzen im Vergleich zu herkömmlichen klinischen Merkmalen, um die 1-Jahres-EF vorherzusagen. In beiden Modellen sind Gestensequenzen in der Lage, die 1-Jahres-EF besser vorherzusagen (Team 1: AUC 0,77, 95 %-KI 0,73–0,81; Team 2: AUC 0,68, 95 %-KI 0,66–0,70) als herkömmliche klinische Merkmale (Team 1: AUC 0,69, 95 %-KI 0,65–0,73; Team 2: AUC 0,65, 95 %-KI 0,62–0,68). Unsere Ergebnisse legen nahe, dass Gesten eine detaillierte Methode zur objektiven Anzeige chirurgischer Leistung und Ergebnisse darstellen. Die Anwendung dieser Methodik auf andere Operationen kann zu Entdeckungen über Methoden zur Verbesserung der Chirurgie führen.
Im letzten Jahrzehnt haben immer mehr Beweise gezeigt, dass die chirurgische Leistung einen erheblichen Einfluss auf die chirurgischen Ergebnisse hat1,2. Beispielsweise ist eine geringere operative Kompetenz beim laparoskopischen Magenbypass mit höheren Komplikationsraten, höheren Sterblichkeitsraten, längeren Operationen und höheren Raten an Reoperationen und Wiedereinweisungen verbunden1. Um die chirurgischen Ergebnisse zu verbessern, muss zunächst die chirurgische Leistung quantifiziert werden3. Es bleibt jedoch immer noch eine Herausforderung, dies objektiv zu erreichen.
Chirurgische Gesten, definiert als die kleinste sinnvolle Interaktion eines chirurgischen Instruments mit menschlichem Gewebe4,5, sind ein neuartiger Ansatz zur Dekonstruktion der Chirurgie. Sie haben das Potenzial, chirurgische Eingriffe objektiv zu quantifizieren und gleichzeitig den Auszubildenden umsetzbares Feedback zu geben. Zuvor haben wir ein System zur Klassifizierung chirurgischer Dissektionsgesten entwickelt, das aus neun verschiedenen Dissektionsgesten (z. B. Aufschnitt) und vier unterstützenden Gesten (z. B. Zurückziehen) besteht (Abb. 1a)5. Wir fanden heraus, dass unterschiedliche Auswahlen chirurgischer Gesten während des Hilusdissektionsschritts der robotergestützten partiellen Nephrektomie die Fachkompetenz von Chirurgen auszeichnen können5. Es ist jedoch immer noch unklar, ob unterschiedliche chirurgische Gesten mit den Ergebnissen des Patienten nach der Operation zusammenhängen.
a Gestenklassifizierung, einschließlich 9 Dissektionsgesten und 4 unterstützende Gesten. b Farbcodierte nervenschonende Gestensequenzen (zeigt nur die ersten 100 Gesten). Farben repräsentierten entsprechende Gesten in a. c Einjähriger Erstellungsprozess des EF-Recovery-Prognosemodells. Zwei Teams erstellten und testeten unabhängig voneinander ihre Vorhersagemodelle, um die Reproduzierbarkeit der Ergebnisse zu bestätigen.
Die robotergestützte radikale Prostatektomie (RARP), die häufigste Behandlung von Prostatakrebs, ist ein idealer Testfall, um zu bewerten, ob chirurgische Gesten einen Zusammenhang mit den Ergebnissen eines Patienten haben, da sie ein konkretes, leicht messbares funktionelles Ergebnis liefert, das in hohem Maße mit der chirurgischen Leistung verknüpft ist6. Erektile Dysfunktion nach RARP hat tiefgreifende Auswirkungen auf die Lebensqualität eines Mannes und über 60 % der Männer leiden unter dieser Langzeitkomplikation aufgrund einer Verletzung der Nerven, die entlang der Prostata verlaufen7. Beim Nervensparen (NS) lösen Chirurgen diese Nerven vorsichtig von der Prostata ab. Geringfügige Änderungen in der Dissektionstechnik eines Chirurgen können einen großen Einfluss auf die Wiederherstellung der Potenz eines Patienten haben8. Zahlreiche Beweise deuten darauf hin, dass die Leistung eines Chirurgen zählt: Während bei Patienten der Spitzenchirurgen die Chance, ihre Potenz wiederherzustellen, bei fast 50 % liegt, liegt die Chance bei Patienten der untersten Chirurgen bei weniger als 20 %9.
Angesichts des Zusammenhangs zwischen der Qualität der Nervenschonung und dem Risiko einer postoperativen erektilen Dysfunktion wollen wir in erster Linie untersuchen, ob die während des NS-Schritts von RARP verwendeten Gesten die Häufigkeit von ED nach der Operation vorhersagen können. Das sekundäre Ziel besteht darin, die Auswahl chirurgischer Gesten durch Chirurgen unterschiedlicher Erfahrung zu untersuchen, um unser Verständnis der verschiedenen Dissektionstechniken zur Nervenschonung zu vertiefen. Wir gehen davon aus, dass chirurgische Gesten als wirksames Instrument zur Quantifizierung technischer Fähigkeiten und möglicherweise zur Anzeige chirurgischer Ergebnisse eingesetzt werden können.
In dieser internationalen bizentrischen Studie stellen wir fest, dass ein geringerer Einsatz von Hot Cut und ein häufigerer Einsatz von Peel/Push während NS mit einer besseren Chance auf eine 1-Jahres-EF-Erholung verbunden sind. Darüber hinaus können mithilfe von Dissektionsgestensequenzen während NS ML-Modelle erstellt werden, um die EF-Erholung genau vorherzusagen. Darüber hinaus stellen wir fest, dass Chirurgen mit unterschiedlichem Erfahrungsniveau bei NS unterschiedliche chirurgische Gesten verwenden. Diese Ergebnisse deuten darauf hin, dass die Zerlegung chirurgischer Eingriffe auf die Ebene chirurgischer Gesten als neuartige Methode zur Messung der chirurgischen Leistung dienen kann, die breitere Anwendungsmöglichkeiten für verschiedene chirurgische Fachgebiete haben könnte, um chirurgische Ergebnisse vorherzusagen und umsetzbares Feedback zu geben.
Sechshundertneunzehn aufeinanderfolgende RARP-Fälle waren Kandidaten für diese Studie, und schließlich erfüllten 80 Fälle von 21 Chirurgen aus zwei internationalen chirurgischen Zentren unsere Einschluss-/Ausschlusskriterien (Abb. 2). Die meisten Patienten wurden ausgeschlossen, weil bei ihnen die Erektionsfähigkeit zu Beginn der Operation nicht aufrechterhalten werden konnte. Die durchschnittliche Fallzahl dieser 21 praktizierenden Chirurgen vor der robotergestützten Chirurgie betrug 450 (Bereich 100–5800) Fälle. Es gab eine Lücke in der Erfahrung in der Roboterchirurgie zwischen einer Gruppe von 6 Superexperten (Median 3000 Fälle, Bereich 2000–5800) und einer Gruppe von 15 Experten (Median 275 Fälle, Bereich 100–750) (Ergänzungstabelle 1).
Aufnahme von 80 RARP-Fällen.
Insgesamt betrug die postoperative EF-Erholungsrate nach einem Jahr 34/80 (43 %). Patienten, bei denen sich die EF erholte, waren signifikant jünger (p = 0,02, Chi-Quadrat-Test) und hatten einen besseren körperlichen Zustand der American Society of Anaesthesiology (ASA) (p = 0,03, Chi-Quadrat-Test) (Tabelle 1). Bei Patienten, bei denen sich die EF erholte, war der Anteil der vollständigen Nervenschonung höher (76,5 % vs. 69,6 %), obwohl dies statistisch nicht signifikant war (p = 0,49, Chi-Quadrat-Test).
Pro NS-Fall wurden im Median 438 diskrete Gesten (IQR 254–559) identifiziert. Aktive Dissektionsgesten machten 65,7 % aller Gesten aus, unterstützende Gesten machten die übrigen 34,3 % aus (Tabelle 2).
Um zu beurteilen, ob ein Gestentyp einen signifikanten Zusammenhang mit der 1-Jahres-EF-Genesung hatte, wurde der Anteil jedes Gestentyps innerhalb eines Falles zwischen Patienten mit wiederhergestellter EF und nicht wiederhergestellten Patienten verglichen. Patienten, die sich von der EF erholten, hatten weniger Hot Cut (Median 1,4 % vs. 1,9 %, p = 0,016, generalisiertes lineares gemischtes Modell [GLMM]), aber mehr Peel/Push (Median 33,4 % vs. 29,7 %, p < 0,001, GLMM) (Abb. 3a). Um die Ergebnisse zu bestätigen, führten wir Subgruppenanalysen in der Expertengruppe (Abb. 3b) bzw. der Superexpertengruppe (Abb. 3c) durch. In beiden Gruppen zeigten Patienten, die sich von der EF erholt hatten, mehr Peel/Push (p ≤ 0,001, GLMM). Die Verwendung von Hot Cut war nur in der Expertengruppe signifikant, wo Patienten, die sich von EF erholt hatten, mehr Hot Cut hatten (p = 0,001, GLMM). Darüber hinaus hatten Patienten, die sich nach einem Jahr EF erholt hatten, in der Expertengruppe weniger Aufschnitt, mehr Spreizung, mehr Haken, weniger Retraktion und weniger Koagulation (alle p < 0,05, GLMM). In der Super-Experten-Gruppe hatten Patienten, die sich nach einem Jahr von der EF erholt hatten, weniger Ausbreitung, weniger Haken und mehr Koagulation (alle p < 0,05, GLMM).
a Die ganze Kohorte; b Expertengruppe; c Super-Expertengruppe.
Gestensequenzen und klinische Merkmale wurden dann von zwei Teams verwendet, um unabhängig voneinander Vorhersagemodelle für maschinelles Lernen (ML) für die einjährige EF-Erholung zu erstellen, um die Reproduzierbarkeit der Ergebnisse sicherzustellen. Bei alleiniger Einbeziehung chirurgischer Gestensequenzen erreichten beide Modelle eine mäßig hohe Fähigkeit zur Vorhersage der 1-Jahres-EF-Erholung (AUC: Team 1: 0,77, 95 %-KI 0,73–0,81; Team 2: 0,68, 95 %-KI 0,66–0,70). was die klinischen Merkmale allein übertraf (AUC, Team 1: 0,69, 95 %-KI 0,65–0,73; Team 2: 0,65, 95 %-KI 0,62–0,68). Wenn die Modelle sowohl chirurgische Gesten als auch klinische Merkmale umfassten (AUC, Team 1: 0,75, 95 %-KI 0,72–0,77; Team 2: 0,67, 95 %-KI 0,65–0,70), schnitten die Modelle ähnlich ab wie diejenigen, die nur chirurgische Gesten umfassten (Abb . 4).
Violindiagramme, die die Leistung von 1-Jahres-EF-Erholungsvorhersagemodellen zeigen.
Um zu verstehen, wie diese Modelle Vorhersagen treffen, haben wir das Modell von Team 1 aufgrund seiner besseren Leistung ausgewählt und die wichtigen klinischen Merkmale für die 1-Jahres-EF-Vorhersage eingestuft (Abb. 5a), nämlich Gleason-Score, Alter, BMI, PSA und Prostatavolumen . Wir haben auch wichtige Gestensequenzen ausgegeben, die positiv oder negativ mit der einjährigen EF-Erholung verbunden sind (Abb. 5b).
a Wichtige klinische Merkmale; b Beispiele wichtiger chirurgischer Gestensequenzen.
Um die Möglichkeit auszuschließen, dass die ML-Modelle die Vorhersage der 1-Jahres-EF-Erholung einfach anhand der Anzahl der während NS verwendeten Gesten lernten und nicht wirklich aus den Gestensequenzen selbst lernten, haben wir 80 Fälle basierend auf der Anzahl der Gesten eingestuft und Fälle kategorisiert in vier Quartile. Wir fanden eine ähnliche 1-Jahres-EF-Wiederherstellungsrate über alle Quartile hinweg (p = 0,66, Chi-Quadrat-Test, Ergänzungstabelle 2).
Superexperten verwendeten während des NS-Schritts weniger Gesten als Experten (Median 317 vs. 530, p = 0,014, Mann-Whitney-U-Test). Dieser Trend war sowohl für die aktiven Dissektionsgesten (z. B. Schälen/Schieben) als auch für unterstützende Gesten (z. B. Kamerabewegung, Zurückziehen) vorhanden (Tabelle 3).
Beim Vergleich der im NS verwendeten Gestenproportionen stellten wir fest, dass Superexperten mehr Aufschnitt (Median 18,0 % vs. 13,0 %, p = 0,001, GLMM) und mehr Koagulation (Median 3,5 % vs. 2,0 %, p = 0,005, GLMM) verwendeten. , aber weniger Peel/Push (Median 27,0 % vs. 34,0 %, p = 0,024, GLMM) und weniger Retraktionsanpassungen (Median 10,5 % vs. 16,0 %, p = 0,001, GLMM).
Bemerkenswert ist, dass die gemeldete EF-Erholungsrate bei Patienten, die von Superexperten operiert wurden, ähnlich war (23/53, 43,4 %) im Vergleich zu Patienten, die von Experten operiert wurden (11/27, 40,7 %, p = 0,82, Chi-Quadrat-Test). Die klinischen Merkmale dieser beiden Patientengruppen waren ebenfalls ähnlich (Ergänzungstabelle 3).
In dieser internationalen bizentrischen Studie haben wir gezeigt, dass (a) ein geringerer Einsatz von Hot Cut und ein häufigerer Einsatz von Peel/Push mit einer besseren Chance auf eine EF-Erholung nach einem Jahr verbunden sind; (b) chirurgische Gestensequenzen können eine einjährige EF-Erholung nach RARP erfolgreich vorhersagen; und (c) die Auswahl chirurgischer Gesten war mit dem Erfahrungsniveau des Chirurgen verbunden. Darüber hinaus ließen wir zwei Teams unabhängig voneinander den Zusammenhang zwischen chirurgischen Gestensequenzen und chirurgischen Ergebnissen bestätigen. Diese Dual-Effort-Methode wurde in der klinischen Literatur selten durchgeführt, obwohl sie von der ML-Forschungsgemeinschaft weithin befürwortet wird, um die Robustheit zu erhöhen und die Reproduzierbarkeit der ML-Ergebnisse zu bestätigen10,11. Diese Ergebnisse legen nahe, dass chirurgische Gesten als neuartige Methode zur Quantifizierung der chirurgischen Leistung und zur Vorhersage funktioneller Ergebnisse nach RARP dienen können.
In dieser Studie zeigen wir einen Zusammenhang zwischen chirurgischen Gesten und chirurgischen Ergebnissen. Unsere Ergebnisse deuten darauf hin, dass ein weniger scharfer Schnitt bei NS mit einer besseren Potenzwiederherstellung verbunden ist, insbesondere in der Expertengruppe (und nicht in der Superexpertengruppe). Dies steht im Einklang mit früheren Studien, in denen berichtet wurde, dass ein übermäßiger Energieverbrauch bei NS eine schädliche Wirkung auf die nahegelegenen neurovaskulären Bündel hat und sich somit auf die EF-Erholung auswirkt8,12. Mehr Peel/Push war mit einer besseren Wiederherstellung der Potenz verbunden, was sowohl in der Experten- als auch in der Super-Expertengruppe bestätigt wurde. Wir glauben, dass Schälen/Schieben die geeignete Geste ist, um bei NS die richtige Dissektionsebene zu finden, was wiederum zu besseren Ergebnissen führen kann. Bemerkenswert ist, dass die Ergebnisse auch Wechselwirkungen zwischen dem Fachwissen des Chirurgen und den Gestentypen zeigten – die gleichen Gestentypen, die von Chirurgen mit unterschiedlichem Erfahrungsniveau verwendet werden, können unterschiedliche Auswirkungen auf die EF-Erholung haben. Beispielsweise waren in der Expertengruppe mehr Ausbreitung, mehr Haken und weniger Koagulation mit einer höheren Wahrscheinlichkeit einer EF-Wiederherstellung verbunden, während in der Super-Expertengruppe weniger Ausbreitung, weniger Haken und mehr Koagulation mit einer höheren Wahrscheinlichkeit verbunden waren der EF-Wiederherstellung. Diese Ergebnisse deuten darauf hin, dass nicht nur die Art der Gesten für die Ergebnisse von Bedeutung ist, sondern wahrscheinlich auch die Ausführung und der Kontext der Gesten. In einer kürzlich durchgeführten Studie haben wir herausgefunden, dass die Wirksamkeit und Fehlerquote derselben Art von Gesten bei Anfängern, Fortgeschrittenen und Experten im Trockenlabor unterschiedlich war13. Unser nächster Schritt wird untersuchen, wie sich diese Unterschiede auf die chirurgischen Ergebnisse bei Live-Operationen auswirken.
Das gleiche Konzept sollte auf andere chirurgische Eingriffe anwendbar sein – durch die Zerlegung der Operation in Gesten kann der Einfluss verschiedener Gesten auf die chirurgischen Ergebnisse quantifizierbar und objektiv untersucht werden. Die objektive Beurteilung und Quantifizierung chirurgischer Eingriffe war bislang eine Herausforderung. Eine gängige Lösung besteht darin, objektive Bewertungstools wie GEARS oder DART zu verwenden, um chirurgische Fähigkeiten zu bewerten14,15,16. Leider leiden diese Tools unter Subjektivität und erfassen chirurgische Daten nicht auf ihrer detailliertesten Ebene17. Eine alternative Methode zur Quantifizierung der chirurgischen Leistung ist die Verwendung automatisierter Leistungsmetriken (APMs), wie z. B. der kinematischen Daten von Instrumenten18. APMs waren in der Lage, Fachwissen zu unterscheiden und Patientenergebnisse vorherzusagen19,20. Ein Nachteil von APMs, bei denen es sich größtenteils um Messungen der Effizienz von Chirurgen handelt, besteht jedoch darin, dass sie sich nur schwer in umsetzbares Feedback übertragen lassen18,19,21. Chirurgische Gesten haben das Potenzial, Operationen objektiv zu quantifizieren und gleichzeitig umsetzbares Feedback für Auszubildende zu liefern. Diese Metriken bewerten die Leistung des Chirurgen unterschiedlich und enthalten verwandte, aber unterschiedliche Informationen. Gesten dekonstruieren das chirurgische Handeln umfassend im Kontext der Instrument-Gewebe-Interaktion anhand von Operationsvideos; Kinematiken liefern zusammengefasste Informationen über die Instrumentenbewegung auf der Grundlage ihrer Koordinaten, die möglicherweise eher die Instrumenteneffizienz widerspiegeln. Diese verschiedenen Beurteilungsmethoden sollten einander ergänzen, um ein umfassenderes Bild der chirurgischen Leistung zu zeichnen.
Durch die Einbeziehung chirurgischer Gesten in ML-Modelle konnte die postoperative EF-Erholung nach einem Jahr effektiv vorhergesagt werden. Um die Reproduzierbarkeit unserer Ergebnisse zu bestätigen, haben zwei ML-Teams unabhängig voneinander zwei Vorhersagemodelle erstellt und ausgewertet. Beide Teams bestätigten, dass es in der Abfolge der chirurgischen Gesten informative Signale gab, die eine EF-Erholung mit mäßig starken AUCs vorhersagen konnten. Verschiedene chirurgische Gestentypen, die bei NS verwendet werden (z. B. der Anteil des heißen Schnitts), können teilweise erklären, wie die Modelle die Vorhersagen getroffen haben. Darüber hinaus können ML-Modelle auch die zeitlichen (sequentiellen) Informationen chirurgischer Gesten (d. h. die Reihenfolge chirurgischer Gesten) nutzen, die mit herkömmlichen statistischen Methoden schwer zu erfassen sind. Bemerkenswert ist, dass Team 1, das ein transformatorbasiertes Modell verwendete, das zeitliche (Sequenz-)Informationen über den gesamten Bereich (die gesamte Sequenz) ausnutzte, höhere AUCs erzielte als Team 2, das eine logistische Regression verwendete, die zeitliche Informationen über kurze Entfernungen ausnutzte (Aufteilen der gesamten Sequenz in nicht überlappende Segmente von 20 Gesten). Dies könnte darauf hindeuten, dass nicht nur die Art der Gesten, sondern auch die Kombination und Reihenfolge der Gesten eine Rolle bei der Bestimmung der Patientenergebnisse spielt.
Unsere vorherige Studie ergab, dass Superexperten während der NS22 kürzere Zeit für den Abschluss der NS benötigten und über eine bessere bimanuelle Geschicklichkeit verfügten als Experten. Mithilfe des Dissektionsgestenklassifizierungssystems haben wir hier bestätigt, dass Superexperten schneller und effizienter waren (dh weniger Gesten verwendeten). Beim Vergleich des Anteils der Dissektionsgesten, der von Superexperten und Experten verwendet wird, stellten wir fest, dass Superexperten im Vergleich zu Experten andere Gesten wählten. Dies impliziert den möglichen Einsatz chirurgischer Gesten zur Unterscheidung von Fachwissen.
Was die klinischen Merkmale anbelangt, stellten wir fest, dass die von EF genesenen Patienten jünger waren und einen besseren Gesamtzustand aufwiesen, was mit früheren Veröffentlichungen übereinstimmt23,24. Die alleinige Verwendung klinischer Merkmale zur Vorhersage der 1-Jahres-EF-Erholung führte zu bescheidenen AUCs. Frühere Veröffentlichungen deuteten darauf hin, dass der Ausgangspotenzstatus der Patienten ein entscheidender Faktor für die EF-Erholung nach RARP ist23,24. Es ist erwähnenswert, dass alle in diese Studie einbezogenen Fälle eine intakte präoperative EF und einen sehr hohen SHIM-Score (Sexual Health Inventory for Men) (Median 24 auf einer Skala von 25) aufwiesen, was den Einfluss von Patientenfaktoren auf die EF-Erholung möglicherweise abgeschwächt hat Vorhersage.
Die Ergebnisse dieser Studie haben wichtige klinische Implikationen. Da es kein ML-basiertes Vorhersagesystem gibt, können Chirurgen nur Monate bis Jahre nach der Operation Feedback zu Patientenergebnissen wie der erektilen Funktion erhalten. Diese zeitliche Diskrepanz (zwischen der Operation und dem Ergebnis) macht es schwierig einzuschätzen, wie sich ihre heutigen Maßnahmen später auf den Patienten auswirken werden. Mit dem in unserer Arbeit vorgestellten trainierten ML-Modell besteht die Möglichkeit, unmittelbar nach der Operation Feedback zu geben – was es Chirurgen ermöglichen kann, Verbesserungen schnell in ihre nachfolgenden Operationen zu integrieren. Darüber hinaus hat unsere Gruppe kürzlich einen ML-Algorithmus entwickelt, um die Aufgabe der Gestenerkennung und -klassifizierung zu automatisieren25. In Kombination mit dem ML-Modell in der aktuellen Studie besteht das Potenzial, den gesamten Prozess – von der chirurgischen Videoanmerkung bis zur Vorhersage des Patientenergebnisses – vollständig zu automatisieren und die Patientenergebnisse direkt in Echtzeit vorherzusagen. Unsere zukünftige Arbeit wird der Interpretierbarkeit des Modells gewidmet sein, um spezifische Dissektionsgestensequenzen zu bestimmen, die für die Patientenergebnisse wichtig sind, damit den ausbildenden Chirurgen umsetzbareres Feedback gegeben werden kann.
Die vorliegende Studie weist einige Einschränkungen auf. Erstens war die Stichprobengröße relativ klein, was in Zukunft erweitert werden kann. Dennoch haben wir Daten von zwei Institutionen einbezogen, um die Generalisierbarkeit zu gewährleisten. Zweitens haben wir den Kontext der chirurgischen Gesten während der NS nicht berücksichtigt. Zukünftige Studien können Gesten einer bestimmten Anatomie zuordnen (z. B. Stiele, seitliche Faszien usw.) und untersuchen, ob die Auswirkungen ähnlich sind. Drittens verwendete diese Studie nur eine Art von chirurgischem Eingriff (z. B. NS) und die Ergebnisse müssen noch in mehreren Eingriffen in verschiedenen Fachgebieten validiert werden. Schließlich wurde die Fallkomplexität in der aktuellen Studie nicht angepasst, da eine objektive Messung der Fallkomplexität fehlte. Es bleibt ein Störfaktor für die Zusammenhänge zwischen chirurgischen Gesten und chirurgischen Ergebnissen.
Zusammenfassend stellen wir fest, dass während der NS ausgeführte Dissektionsgesten einen Hinweis auf die EF-Erholung nach RARP hatten. Ein geringerer Einsatz von Hot Cut und ein häufigerer Einsatz von Peel/Push sind mit einer besseren Chance auf eine EF-Wiederherstellung verbunden. ML-Modelle sind so konstruiert, dass sie die EF-Wiederherstellung genau vorhersagen. Darüber hinaus korrelieren wir chirurgische Gesten mit der Erfahrung des Chirurgen. Diese Ergebnisse deuten darauf hin, dass die Dekonstruierung der Chirurgie bis hin zur Granularität chirurgischer Gesten als neuartige Methode zur Quantifizierung der chirurgischen Leistung dienen kann, die möglicherweise eine breitere Anwendung auf verschiedene chirurgische Fachgebiete haben könnte, um chirurgische Ergebnisse vorherzusagen und umsetzbares Feedback zu liefern.
Mit Genehmigung der institutionellen Prüfungsausschüsse der University of Southern California und des St. Antonius-Hospitals wurden Männer, die sich von Juli 2016 bis November 2018 einer primären RARP an diesen beiden internationalen Institutionen unterzogen hatten, prospektiv gesammelt und in diese Studie einbezogen, wenn Folgendes vorhanden war: (a ) eine intakte Basislinien-EF; (b) vollständiges NS-chirurgisches Videomaterial; und (c) ≥ 1 Jahr postoperative Nachbeobachtung. Bilaterale, nicht nervenschonende Fälle wurden ausgeschlossen. Von allen in diese Studie einbezogenen Patienten wurde eine schriftliche Einwilligung eingeholt. Das primäre Ergebnis war eine einjährige EF-Erholung nach RARP. Eine intakte Ausgangs-EF und eine 1-Jahres-EF-Erholung wurden beide als das Erreichen von Erektionen definiert, die fest genug für den Geschlechtsverkehr bei >50 % der Versuche waren (Punktzahl ≥4 bei der 2. Frage des SHIM), mit oder ohne Phosphodiesterase-Typ-5-Inhibitoren26.
Die NS der eingeschlossenen Fälle wurde von fortgeschrittenen chirurgischen Stipendiaten und Fakultätschirurgen durchgeführt. Chirurgen wurden basierend auf früheren Veröffentlichungen in zwei chirurgische Erfahrungsstufen eingeteilt: Experten, die 100–1999 Roboterfälle durchgeführt hatten, und Superexperten, die ≥2000 Roboterfälle durchgeführt hatten22,27.
Klinische Daten wurden durch Überprüfung der Patientenakten ermittelt und umfassten sowohl Patienten- als auch Behandlungsfaktoren wie Alter, präoperativer SHIM-Score28, körperlicher ASA-Status29, NS-Ausdehnung usw. (Tabelle 1). Die Follow-up-Daten nach 12 Monaten wurden von einem unabhängigen Forschungskoordinator anhand der von den Patienten berichteten Ergebnisse per Diagrammüberprüfung oder telefonisch eingeholt.
Das bilaterale NS-Videomaterial wurde manuell überprüft. Insgesamt 7 Annotatoren (RM, IR, GD, AD, SC, MO, SR) erhielten ein standardisiertes Training und beschrifteten anschließend unabhängig voneinander Gestensequenzen von drei Trainingsvideos (insgesamt 365 Gesten). Die Übereinstimmungsrate der Gestenklassifizierung zwischen sieben Annotatoren wurde durch Berechnen des Anteils der Gestenbezeichnungen, auf die sich alle sieben Annotatoren geeinigt hatten, an der Gesamtzahl der Gesten ermittelt. Es wurde eine hohe Übereinstimmungsrate zwischen den Bewertern erreicht (328/365, 89,9 %), und dann wurden 80 formelle NS-Videos aufgeteilt und unter den Kommentatoren kommentiert.
Jede einzelne chirurgische Bewegung im Video wurde gemäß unserem Klassifizierungssystem als eine bestimmte Geste gekennzeichnet, die neun aktive Dissektionsgesten und vier unterstützende Gesten umfasst (d. h. Gesten, die Dissektionsgesten erleichtern sollen, z. B. Zurückziehen) (Abb. 1)5. Wenn mehr als ein Instrument gleichzeitig bewegt wurde, wurde die Bewegung des dominanten Handinstruments des Konsolenchirurgen als primäre Geste vermerkt.
Mann-Whitney-U- und Chi-Quadrat-Tests wurden verwendet, um kontinuierliche bzw. kategoriale demografische Patientendaten zu vergleichen. Ein mehrstufiges Mixed-Effects-Modell wurde verwendet, um die Beziehung zwischen dem 1-Jahres-EF-Erholungsstatus (unabhängige Variable) und dem Anteil jeder Art von Geste innerhalb eines Falles (abhängige Variable) zu bewerten und dabei die Datenclusterung bei mehreren Fällen zu berücksichtigen wurden vom selben Chirurgen durchgeführt. Die Beziehung zwischen der Erfahrung des Chirurgen (unabhängige Variable) und dem Anteil jeder Art von Geste innerhalb eines Falles (abhängige Variable) wurde auch mit dem mehrstufigen Mixed-Effects-Modell bewertet, um Unterschiede in der Dissektionstechnik zu identifizieren. Die statistische Analyse wurde mit IBM® SPSS v24 durchgeführt, wobei p < 0,05 (zweiseitig) als statistisch signifikant angesehen wurde.
Gestensequenzen (dh alle in NS verwendeten Gesten in der Reihenfolge der Zeit) und klinische Merkmale (dh alle in Tabelle 1 gezeigten Variablen) wurden beide verwendet, um Vorhersagemodelle für die 1-Jahres-EF-Erholung zu erstellen. Um die Reproduzierbarkeit der Ergebnisse zu bestätigen, erstellten zwei ML-Teams unabhängig voneinander Vorhersagemodelle mithilfe von ML-Algorithmen und testeten die Modellleistung.
ML-Team 1 (JX, LT, LY) trainierte ein multimodales Vorhersagemodell, das aus zwei Subnetzwerken besteht, die zur Verarbeitung der gesamten Gestensequenzen (ein transformatorbasiertes Netzwerk, d. h. IMV-LSTM30) und klinischer Merkmale (ein FT-Transformer, dh tabellarisches Netzwerk für die klinischen Merkmale31). Die Netzwerke wurden aufgrund ihrer Aufmerksamkeitsmechanismen ausgewählt, bei denen es sich um Module handelt, die lernen, die gewichtete Summe aller codierten Gestendarstellungsvektoren zu berechnen, wodurch das Modell flexibel langfristige Abhängigkeiten erfassen und seine Aufmerksamkeit auf die relevantesten Teile der gesamten Dissektion richten kann Reihenfolge. In der ersten Trainingsphase wurden beide Teilnetze bis zur Konvergenz mit stochastischem Gradientenabstieg trainiert. In der zweiten Phase wurden die aus jedem Netzwerk extrahierten Darstellungen verkettet und in eine vollständig verbundene Schicht eingespeist, um eine einzelne EF-Wiederherstellungsvorhersage zu erhalten. Anschließend wurde das Modell mit einer Monte-Carlo-Methode mit insgesamt 100 Iterationen evaluiert. In jeder Iteration wählten wir zufällig 70 Fälle als Trainingsdaten und die restlichen 10 Fälle als Hold-out-Satz aus, um die Modellleistung unabhängig zu testen. Wir berichten über die Fläche unter der ROC-Kurve (AUC) und das 95 %-Konfidenzintervall (CI) des Testsatzes über die 100 Iterationen. Um wichtige Sequenzen für die EF-Vorhersage zu veranschaulichen, extrahierte Team 1 Aufmerksamkeitswerte für jede Geste innerhalb einer Sequenz und verwendete Okklusionstechniken, um die Richtung als Indikator für Gestensequenzen zu extrahieren, die positiv oder negativ mit der EF-Wiederherstellung korrelierten.
ML-Team 2 (DK, AA) hat ein logistisches Regressionsvorhersagemodell für die einjährige EF-Erholung erstellt. Dieses Modell wurde aufgrund seiner Einfachheit gewählt und um ein Speichern der Daten (dh eine Überanpassung) zu vermeiden. Bei alleiniger Betrachtung der klinischen Merkmale ordnete das logistische Regressionsmodell diese Merkmale direkt dem Ergebnis der 1-Jahres-EF-Erholung zu. Bei der alleinigen Betrachtung der Gestensequenz verwendete Team 2 einen schwach überwachten Ansatz. Dabei wurde die gesamte Gestensequenz in nicht überlappende, gleich große Segmente mit jeweils 20 Gesten aufgeteilt (die Anzahl der Gesten pro Segment wurde empirisch anhand einer vorgehaltenen Menge ermittelt). Während der Trainingsphase des Modells wurde jedes Segment dem entsprechenden fallspezifischen 1-Jahres-EF-Erholungsergebnis zugeordnet. Wenn ein Fall beispielsweise 440 Gesten hat, würde dies zu 440/20 = 22 Teilfolgen von Gesten führen. Jede Teilsequenz kann gleichermaßen als eigenständige Stichprobe in einer Datenbank betrachtet werden. Da diese Teilsequenzen zum selben chirurgischen Fall gehören und ein chirurgischer Fall mit einem einzelnen Ziel verknüpft ist (z. B. EF-Wiederherstellung), haben wir das Ziel des Falles für alle derartigen Teilsequenzen verwendet. Dies würde zu 22 Eingabe-Ausgabe-Paaren führen, die aus Eingabe-Gesten-Teilsequenzen und ausgegebenen EF-Wiederherstellungswerten bestehen. Wir haben diese Strategie für alle chirurgischen Fälle wiederholt, um die vollständige Datenbank zu generieren, auf der die logistische Regression trainiert werden würde. Ein solcher Aufbau wird als „schwach überwachtes Lernen“ bezeichnet und häufig eingesetzt, um die Größe des Datensatzes zu erweitern, auf dem ein Modell trainiert wird. Beachten Sie, dass bei Gestensequenzen, deren Länge nicht durch 20 teilbar war, das Ende der Gestensequenz weggelassen und daher dem Modell nicht präsentiert wurde. Dies liegt daran, dass ein logistisches Regressionsmodell Eingaben mit einer konsistenten Dimension erwartet. Das Modell wurde auf der oben genannten Datenbank mit Gestenteilsequenzen und EF-Wiederherstellungswerten trainiert. Bei einer gegebenen Gestenuntersequenz (bestehend aus 20 Gesten) gab das Modell eine einzelne Vorhersage zurück, die widerspiegelt, ob der Patient nach einem Jahr seine EF erholen wird oder nicht. Diese 20 Gesten erfassen nicht die gesamte Aktion, die der Chirurg während des NS-Schritts ausführt. Um alle diese Aktionen während der Inferenz zu erfassen, wie es beim schwach überwachten Lernen üblich ist, aggregieren wir alle Modellvorhersagen für Teilsequenzen, die zum selben chirurgischen Fall gehören. Wir haben eine Mehrheitsregel implementiert, bei der die wahrscheinlichste Vorhersage aller fallspezifischen Stichproben als endgültige Vorhersage für diesen bestimmten chirurgischen Fall angesehen wurde. Wenn beispielsweise 15/22 Proben mit einer EF-Wiederherstellungsvorhersage verknüpft sind, sagt das Modell voraus, dass in diesem Fall die EF nach einem Jahr wiederhergestellt wird. Bei der Betrachtung sowohl der Dissektionsgestensequenz als auch der klinischen Merkmale verwendete dieses Team weiterhin den oben erwähnten Ansatz der schwachen Überwachung. Team 2 implementierte den gleichen Bewertungsaufbau wie Team 1 und berichtete über die AUC mit 95 % KI über die 100 Iterationen hinweg.
Weitere Informationen zum Forschungsdesign finden Sie in der mit diesem Artikel verlinkten Nature Research Reporting Summary.
Die während der aktuellen Studie generierten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.
Den Code dieses Artikels finden Sie unter: https://github.com/crseusc/NS-Gestures-and-EF-outcomes.
Birkmeyer, JD et al. Chirurgische Fähigkeiten und Komplikationsraten nach bariatrischer Chirurgie. N. engl. J. Med. 369, 1434–1442 (2013).
Artikel CAS Google Scholar
Fecso, AB, Szasz, P., Kerezov, G. & Grantcharov, TP Der Einfluss der technischen Leistung auf die Patientenergebnisse in der Chirurgie: eine systematische Überprüfung. Ann. Surg. 265, 492–501 (2017).
Artikel Google Scholar
Hung, AJ, Liu, Y. & Anandkumar, A. Deep Learning zur Automatisierung der Bewertung technischer Fähigkeiten in der Roboterchirurgie. JAMA Surg. 156, 1059 (2021).
Artikel Google Scholar
Meireles, OR et al. SAGES-Konsensempfehlungen zu einem Annotationsrahmen für chirurgische Videos. Surg. Endosz. 35, 4918–4929 (2021).
Artikel Google Scholar
Ma, R. et al. Eine neuartige Klassifizierung der Dissektionsgesten zur Charakterisierung der robotergestützten Dissektionstechnik für die Dissektion des Nierenhilus. J. Urol. 205, 271–275 (2021).
Artikel Google Scholar
Siegel, RL, Miller, KD, Fuchs, HE & Jemal, A. Krebsstatistik, 2022. CA Cancer J. Clin. 72, 7–33 (2022).
Artikel Google Scholar
US-Task Force für präventive Dienste. et al. Screening auf Prostatakrebs: Empfehlungserklärung der US Preventive Services Task Force. JAMA 319, 1901–1913 (2018).
Artikel Google Scholar
Basourakos, SP et al. Robotergestützte radikale Prostatektomie-Manöver zur Linderung der erektilen Dysfunktion: technische Beschreibung und Videozusammenstellung. J. Endourol. https://doi.org/10.1089/end.2021.0081 (2021).
Vickers, A. et al. Krebskontrolle und funktionelle Ergebnisse nach radikaler Prostatektomie als Marker für die chirurgische Qualität: Analyse der Heterogenität zwischen Chirurgen an einem einzelnen Krebszentrum. EUR. Urol. 59, 317–322 (2011).
Artikel Google Scholar
Chen, AB et al. Anwendungen künstlicher Intelligenz in der Urologie: Berichtsstandards zur Gewährleistung der Sprachkompetenz von Urologen. Urol. Klin. 49, 65–117 (2022).
Artikel Google Scholar
Lambin, P. et al. Radiomics: die Brücke zwischen medizinischer Bildgebung und personalisierter Medizin. Nat. Rev. Clin. Oncol. 14, 749–762 (2017).
Artikel Google Scholar
Ahlering, TE, Skarecky, D. & Borin, J. Einfluss der Kauterisierung im Vergleich zur kauterisierungsfreien Erhaltung neurovaskulärer Bündel auf die frühe Wiederherstellung der Wirksamkeit. J. Endourol. 20, 586–589 (2006).
Artikel Google Scholar
Inouye, DA et al. Bewertung der Wirksamkeit von Dissektionsgesten in der Roboterchirurgie. J. Robotik. Surg. https://doi.org/10.1007/s11701-022-01458-x (2022).
Vanstrum, EB et al. Entwicklung und Validierung eines objektiven Bewertungsinstruments zur Bewertung der chirurgischen Dissektion: Dissektionsbewertung für Robotertechnik (DART). Urol. Üben. 8, 596–604 (2021).
Artikel Google Scholar
Aghazadeh, MA et al. Externe Validierung des Global Evaluative Assessment of Robotic Skills (GEARS). Surg. Endosz. 29, 3261–3266 (2015).
Artikel Google Scholar
Goh, AC, Goldfarb, DW, Sander, JC, Miles, BJ & Dunkin, BJ Globale evaluative Bewertung von Roboterfähigkeiten: Validierung eines klinischen Bewertungsinstruments zur Messung roboterchirurgischer Fähigkeiten. J. Urol. 187, 247–252 (2012).
Artikel Google Scholar
Ma, R., Reddy, S., Vanstrum, EB & Hung, AJ Innovationen in der urologischen chirurgischen Ausbildung. Curr. Urol. Rep. 22, 26 (2021).
Artikel Google Scholar
Hung, AJ et al. Entwicklung und Validierung objektiver Leistungsmetriken für die robotergestützte radikale Prostatektomie: eine Pilotstudie. J. Urol. 199, 296–304 (2018).
Artikel Google Scholar
Hung, AJ, Chen, J. & Gill, IS Automatisierte Leistungsmetriken und Algorithmen für maschinelles Lernen zur Messung der Leistung von Chirurgen und zur Vorhersage klinischer Ergebnisse in der Roboterchirurgie. JAMA Surg. 153, 770–771 (2018).
Artikel Google Scholar
Hung, AJ et al. Nutzung von maschinellem Lernen und automatisierten Leistungsmetriken, um die Leistung der robotergestützten radikalen Prostatektomie zu bewerten und Ergebnisse vorherzusagen. J. Endourol. 32, 438–444 (2018).
Artikel Google Scholar
Ma, R. et al. Maßgeschneidertes Feedback auf der Grundlage klinisch relevanter Leistungsmetriken beschleunigt den Erwerb robotergestützter Nahtfähigkeiten – eine nicht verblindete, randomisierte, kontrollierte Pilotstudie. J. Urol. 208, 414–424 (2022).
Hung, AJ et al. Experten vs. Superexperten: Unterschiede bei automatisierten Leistungsmetriken und klinischen Ergebnissen für die robotergestützte radikale Prostatektomie. BJU Int. 123, 861–868 (2019).
Artikel Google Scholar
Bhat KRS et al. Ein prädiktives prä- und postoperatives Nomogramm für die postoperative Wiederherstellung der Potenz nach einer robotergestützten radikalen Prostatektomie. J. Urol. 206, 942–951 (2021).
Mulhall, JP et al. Entwicklung von Nomogrammen zur Vorhersage der Wiederherstellung der erektilen Funktion nach radikaler Prostatektomie. J. Sex. Med. 16, 1796–1802 (2019).
Artikel Google Scholar
Kiyasseh, D. et al. Quantifizierung von Roboteroperationen mit visionbasiertem Deep Learning. Vorabdruck unter https://arxiv.org/abs/2205.03028 (2022).
Nguyen, LN et al. Die Risiken und Vorteile der Schonung des kavernösen neurovaskulären Bündels während der radikalen Prostatektomie: eine systematische Überprüfung und Metaanalyse. J. Urol. 198, 760–769 (2017).
Artikel Google Scholar
Abboudi, H. et al. Lernkurven für urologische Verfahren: eine systematische Überprüfung. BJU Int. 114, 617–629 (2014).
Artikel Google Scholar
Cappelleri, JC & Rosen, RC Das Sexual Health Inventory for Men (SHIM): ein 5-Jahres-Rückblick auf Forschung und klinische Erfahrung. Int. J. Impot Res. 17, 307–319 (2005).
Artikel CAS Google Scholar
Mayhew, D., Mendonca, V. & Murthy, BVS Ein Überblick über den physischen Status von ASA – historische Perspektiven und moderne Entwicklungen. Anästhesie 74, 373–379 (2019).
Artikel CAS Google Scholar
Vaswani, A. et al. Aufmerksamkeit ist alles, was Sie brauchen. In Advances in Neural Information Processing Systems vol. 30 (Curran Associates, Inc., 2017).
Gorishniy, Y., Rubachev, I., Khrulkov, V. & Babenko, A. Überarbeitung von Deep-Learning-Modellen für tabellarische Daten. https://arxiv.org/abs/2106.11959 (2021).
Referenzen herunterladen
Diese Studie wurde teilweise vom National Cancer Institute unter der Preisnummer R01CA273031 unterstützt.
Center for Robotic Simulation & Education, Catherine & Joseph Aresty Department of Urology, USC Institute of Urology, University of Southern California, Los Angeles, CA, USA
Runzhuo Ma, Timothy N. Chu, Elyssa Y. Wong, Ryan S. Lee, Ivan Rodriguez, Aditya Desai, Maxwell X. Otiato, Sidney I. Roberts, Jessica H. Nguyen, Jasper Laca und Andrew J. Hung
Abteilung für Urologie, Weill Cornell Medicine, New York, NY, USA
Ashwin Ramaswamy, Gina DeMeo und Jim C. Hu
Fakultät für Informatik, Viterbi School of Engineering, University of Southern California, Los Angeles, CA, USA
Jiashu Xu, Loc Trinh und Yan Liu
Abteilung für Informatik und Mathematische Wissenschaften, California Institute of Technology, Pasadena, CA, USA
Dani Kiyasseh & Animashree Anandkumar
Abteilung für Urologie und Urologische Onkologie, St. Antonius-Krankenhaus, Gronau, Deutschland
Katarina Urbanova & Christian Wagner
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
AJH konzipierte die Studie. AJH und JCH erhielten die Finanzierung. AJH, RM, JL, JHN und CW konzipierten und überwachten die Verwaltung und Umsetzung der Studie. RM, TNC, IR, GD, AD, MXO, KU, SIR und CW sammelten die Daten und kommentierten die Operationsvideos. RM, JX, LT und DK führten die Datenanalyse und Visualisierung durch. AA und YL stellten Anleitung und Aufsicht zur Datenanalyse zur Verfügung. RM, AR und RSL haben den Entwurf des Manuskripts geschrieben.
Korrespondenz mit Andrew J. Hung.
CW gibt an, keine konkurrierenden nichtfinanziellen Interessen zu haben, meldet finanzielle Offenlegungen jedoch an Intuitive Surgical, Inc. AA gibt an, keine konkurrierenden nichtfinanziellen Interessen zu haben, ist aber ein bezahlter Mitarbeiter von Nvidia. JCH gibt keine konkurrierenden nichtfinanziellen Interessen an, sondern die folgenden konkurrierenden finanziellen Interessen: Gehaltsunterstützung durch den Frederick J. and Theresa Dow Wallace Fund of the New York und durch den Prostate Cancer Foundation Challenge Award. Auch Gehaltsunterstützung von NIH R01 CA241758 und R01 CA259173, PCORI CER-2019C1-15682 und CER-2019C2-17372. AJH gibt an, keine konkurrierenden nichtfinanziellen Interessen zu haben, meldet finanzielle Offenlegungen jedoch mit Intuitive Surgical, Inc. Die übrigen Autoren geben an, dass sie keine konkurrierenden Interessen haben.
Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.
Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.
Nachdrucke und Genehmigungen
Ma, R., Ramaswamy, A., Xu, J. et al. Chirurgische Gesten als Methode zur Quantifizierung der chirurgischen Leistung und zur Vorhersage von Patientenergebnissen. npj Ziffer. Med. 5, 187 (2022). https://doi.org/10.1038/s41746-022-00738-y
Zitat herunterladen
Eingegangen: 30. August 2022
Angenommen: 29. November 2022
Veröffentlicht: 22. Dezember 2022
DOI: https://doi.org/10.1038/s41746-022-00738-y
Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:
Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.
Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt
npj Digitale Medizin (2023)
Aktuelle Urologieberichte (2023)