.png){kind=icon}
返回
Decoding surgical proficiency and complexity: a machine learning framework for robotic herniorrhaphy
.png){kind=icon}
OA
AI
DOI：10.1007/s00464-025-12412-x.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目的 评估客观性能指标（OPIs）在病例复杂度评估中的预测价值，并探讨其在量化机器人腹壁疝修补术中技能获取方面的作用。
背景概述 尽管疝修补技术取得了进展，但病例复杂度的模糊指标对手术规划、资源配置和患者结局具有显著影响。现有复杂度定义主要依赖与操作者行为无关的临床因素，而机器人平台在腹壁疝修复中的广泛应用为量化手术性能指标提供了前所未有的机会。然而，这些客观性能指标与病例复杂度及技能发展的关系尚未完全明确，这一空白或可通过机器学习方法加以解决。
方法 对8年内连续完成的561例机器人腹壁疝修补术的OPI及临床数据进行分析，采用迭代集成机器学习模型预测病例复杂度。通过t分布随机邻域嵌入（t-SNE）进行降维分析以追踪技能演变，并计算连续病例间的欧氏距离以量化随时间的技能获取。
结果 融合临床变量与OPI的梯度提升模型取得F1分数0.87，而仅使用OPI的模型得分为0.58。纵向分析显示，早期病例OPI波动显著，尽管病例复杂度增加，但在10个月内趋于稳定，表明技能获取可能补偿了操作难度。降维分析通过加权欧氏距离捕捉了这一演变过程。
结论 OPI独立预测病例复杂度的能力有限，但其时间演变揭示了手术技能的获取。OPI随机性与更复杂病例进展的同时稳定表明，手术熟练度与复杂度评估是相互依赖的现象，将数字指标确立为理解术者学习与病例难度动态关系的工具。
Keyword:
Objective performance indicators
Machine learning
Robotic ventral hernia repair
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
S
IF:
2.7
论文数:
584
被引数:
2.9W
机构
引用论文
Automated Performance Metrics and Machine Learning Algorithms to Measure Surgeon Performance and Anticipate Clinical Outcomes in Robotic Surgery.png)
JAMA SURGERYOAAI
JAMA SURGERYIF14.9
OAAI分享收藏From Meshes to Minimally Invasive Techniques: A Comprehensive Review of Modern Hernia Repair ApproachesHatewar, A.; Mahakalkar, C.; Kshirsagar, S.; Sohan, P.R.; Dixit, S.; Bikkumalla, S. 从网片到微创技术：现代腹股沟疝修复方法的全面综述。Cureus 2024, 16, e66206. [Google Scholar] [CrossRef] [PubMed]Cureus
CureusIF0
PREAI
分享收藏A deep-learning model using automated performance metrics and clinical features to predict urinary continence recovery after robot-assisted radical prostatectomyBJU INTERNATIONALOAAI
BJU INTERNATIONALIF4.4
OAAI分享收藏Quantifying surgical complexity with machine learning: Looking beyond patient factors to improve surgical modelsSURGERY
SURGERYIF2.7
PREAI
分享收藏A comparison of clinical outcomes and costs between robotic and open ventral hernia repair比较机器人与开放腹壁疝修补术的临床结果与成本
PREAI
分享收藏
查看更多内容