Валидация специально разработанной 3D-модели головы с применением искусственного интеллекта для обучения пункции гассерова узла

Цель. Спроектировать, разработать и валидировать 3D-модель головы для пункции овального отверстия, используя технологии искусственного интеллекта (ИИ) на основе компьютерного зрения.

Материалы и методы. В лаборатории прототипирования разработана трехмерная симуляционная модель с интеграцией ИИ. Ее эффективность для хирургического обучения оценивалась в двух группах: нейрохирурги с опытом работы пять и более лет (n = 10) и ординаторы (n = 28). Результаты обучения оценивались по времени вмешательства, количеству попыток пункции до первой попытки без осложнений, количеству осложнений, связанных с повреждением критических анатомических структур. Валидность оценивалась с помощью шкалы Лайкерта.

Результаты. До обучения группы различались по времени, затраченному на вмешательство, количеству попыток пункции и количеству осложнений, связанных с повреждением критических анатомических структур. После обучения время вмешательства сократилось на 50% в обеих группах, количество попыток пункции уменьшилось на 50,0% у врачей и на 60,3% у ординаторов. Общее число осложнений снизилось на 57,8% у врачей и на 59% у ординаторов. Анализ шкалы Лайкерта не выявил статистически значимых различий между группами по всем параметрам. Осуществимость и образовательная эффективность модели были оценены на 4 или 5 баллов 90% участников в обеих группах. Анатомическая реалистичность получила оценку 4 или 5 у 90% врачей и 100% ординаторов. Рентгенографический реализм получил оценку 4 или 5 от всех участников. Стоимость создания симулятора, не учитывая стоимость 3D-принтера, составила 22 685 рублей.

Заключение. Разработанная 3D-симуляционная модель с интеграцией искусственного интеллекта значительно улучшила результаты обучения как в группе врачей, так и в группе ординаторов. Использование стандартного оборудования для прототипирования представляет собой экономически эффективную, безрадиационную альтернативу для широкого внедрения в нейрохирургическое образование.

1. Thomas W.E. Teaching and assessing surgical competence. Ann R Coll Surg Engl. 2006 Sep; 88(5): 429–432. https://doi.org/10.1308/003588406X116927. PMID: 17002841

2. Sachdeva A.K., Tekian A., Park Y.S., Cheung J.J.H. Surgical skills training for practicing surgeons founded on established educational theories and frameworks. Med Teach. 2024 Apr; 46(4): 556–563. https://doi.org/10.1080/0142159X.2023.2262101. Epub 2023 Oct 9. PMID: 37813106

3. Joshi T., Budhathoki P., Adhikari A., et al. Improving medical education: a narrative review. Cureus. 2021 Oct 14; 13(10): e18773. https://doi.org/10.7759/cureus.18773. PMID: 34804650

4. Koch A., Kullmann A., Stefan P., et al. Intraoperative dynamics of workflow disruptions and surgeons’ technical performance failures: insights from a simulated operating room. Surg Endosc. 2022 Jun; 36(6): 4452–4461. https://doi.org/10.1007/s00464-021-08797-0. Epub 2021 Nov 1. PMID: 34724585

5. Fava A., Gorgoglione N., De Angelis M., et al. Key role of microsurgical dissections on cadaveric specimens in neurosurgical training: Setting up a new research anatomical laboratory and defining neuroanatomical milestones. Front Surg. 2023 Mar 9; 10: 1145881. https://doi.org/10.3389/fsurg.2023.1145881. PMID: 36969758

6. Almeida D.B., Hunhevicz S., Bordignon K., et al. A model for foramen ovale puncture training: Technical note. Acta Neurochir (Wien). 2006 Aug; 148(8): 881–883; discussion 883. https://doi.org/10.1007/s00701-006-0817-2. Epub 2006 Jun 23. PMID: 16791431

7. He Y.Q., He S., Shen Y.X., Qian C. Clinical value of a self-designed training model for pinpointing and puncturing trigeminal ganglion. Br J Neurosurg. 2014 Apr; 28(2): 267–269. https://doi.org/10.3109/02688697.2013.835379. Epub 2013 Sep 7. PMID: 24628215

8. Buyck F., Vandemeulebroucke J., Ceranka J., et al. Computervision based analysis of the neurosurgical scene – A systematic review. Brain Spine. 2023 Nov 7; 3: 102706. https://doi.org/10.1016/j.bas.2023.102706. PMID: 38020988

9. Héréus S., Lins B., Van Vlasselaer N., et al. Morphologic and morphometric measurements of the foramen ovale: comparing digitized measurements performed on dried human crania with computed tomographic imaging. An observational anatomic study. J Craniofac Surg. 2023 Jan-Feb; 34(1): 404–410. https://doi.org/10.1097/SCS.0000000000008996. Epub 2022 Sep 6. PMID: 36197435

10. Topalli D., Cagiltay N.E. Eye-hand coordination patterns of intermediate and novice surgeons in a simulation-based endoscopic surgery training environment. J Eye Mov Res. 2018 Nov 8; 11(6): 1–14. https://doi.org/10.16910/jemr.11.6.1. PMID: 33828711

11. Lasso A., Heffter T., Rankin A., et al. PLUS: open-source toolkit for ultrasound-guided intervention systems. IEEE Trans Biomed Eng. 2014 Oct; 61(10): 2527–2537. https://doi.org/10.1109/TBME.2014.2322864. Epub 2014 May 9. PMID: 24833412

12. Fedorov A., Beichel R., Kalpathy-Cramer J., et al. 3D Slicer as an image computing platform for the Quantitative Imaging Network. Magn Reson Imaging. 2012 Nov; 30(9): 1323–1341. https://doi.org/10.1016/j.mri.2012.05.001. Epub 2012 Jul 6. PMID: 22770690

13. Joshi A., Kale S., Chandel S., Pal D.K. Likert Scale: explored and explained. Curr. J. Appl. Sci. Technol. 2015 Feb 20; 7(4): 396–403. https://doi.org/10.9734/BJAST/2015/14975

14. Cheshire W.P. Trigeminal neuralgia: for one nerve a multitude of treatments. Expert Rev Neurother. 2007 Nov; 7(11):1565–1579. https://doi.org/10.1586/14737175.7.11.1565. PMID: 17997704

15. Peris-Celda M., Graziano F., Russo V., et al. Foramen ovale puncture, lesioning accuracy, and avoiding complications: microsurgical anatomy study with clinical implications. J Neurosurg. 2013 Nov; 119(5): 1176–1193. https://doi.org/10.3171/2013.1.JNS12743. Epub 2013 Apr 19. PMID: 23600929

16. Shakur S.F., Luciano C.J., Kania P., et al. Usefulness of a virtual reality percutaneous trigeminal rhizotomy simulator in neurosurgical training. Neurosurgery. 2015 Sep; 11(3): 420–425; discussion 425. https://doi.org/10.1227/NEU.0000000000000853. PMID: 26103444

17. Hopper A.N., Jamison M.H., Lewis W.G. Learning curves in surgical practice. Postgrad Med J. 2007 Dec; 83(986): 777–779. https://doi.org/10.1136/pgmj.2007.057190. PMID: 18057179

18. Takagi K., Outmani L., Kimenai H.J.A.N., et al. Learning curve of kidney transplantation in a high-volume center: A Cohort study of 1466 consecutive recipients. Int J Surg. 2020 Aug; 80: 129–134. https://doi.org/10.1016/j.ijsu.2020.06.047. Epub 2020 Jul 11. PMID: 32659389

19. Kasatkin V., Deviaterikova A., Shurupova M., Karelin A. The feasibility and efficacy of short-term visual-motor training in pediatric posterior fossa tumor survivors. Eur J Phys Rehabil Med. 2022 Feb; 58(1): 51–59. https://doi.org/10.23736/S1973-9087.21.06854-4. Epub 2021 Jul 12. PMID: 34247471

20. Park C.K. 3D-Printed disease models for neurosurgical planning, simulation, and training. J Korean Neurosurg Soc. 2022 Jul; 65(4): 489–498. https://doi.org/10.3340/jkns.2021.0235. Epub 2022 Jun 28. PMID: 35762226

21. Pucci J.U., Christophe B.R., Sisti J.A., Connolly E.S. Jr. Three-dimensional printing: technologies, applications, and limitations in neurosurgery. Biotechnol Adv. 2017 Sep; 35(5): 521–529. https://doi.org/10.1016/j.biotechadv.2017.05.007. Epub 2017 May 24. PMID: 28552791

22. Dewan M.C., Rattani A., Fieggen G., et al. Global neurosurgery: the current capacity and deficit in the provision of essential neurosurgical care. Executive Summary of the Global Neurosurgery Initiative at the Program in Global Surgery and Social Change. J Neurosurg. 2018 Apr 27; 130(4): 1055–1064. https://doi.org/10.3171/2017.11.JNS171500. PMID: 29701548

23. Wong C.E., Chen P.W., Hsu H.J., et al. Collaborative human-computer vision operative video analysis algorithm for analyzing surgical fluency and surgical interruptions in endonasal endoscopic pituitary surgery: cohort study. J Med Internet Res. 2024 Jul 4; 26: e56127. https://doi.org/10.2196/56127. PMID: 38963694

24. Ganni S., Botden S.M.B.I., Chmarra M., et al. A software-based tool for video motion tracking in the surgical skills assessment landscape. Surg Endosc. 2018 Jun; 32(6): 2994–2999. https://doi.org/10.1007/s00464-018-6023-5. Epub 2018 Jan 16. PMID: 29340824

25. Danilov G., Kostyumov V., Pilipenko O., et al. Computer vision for assessing surgical movements in neurosurgery. Stud Health Technol Inform. 2024 Aug 22; 316: 934–938. https://doi.org/10.3233/SHTI240564. PMID: 39176945

26. Ciporen J., Lucke-Wold B., Dogan A., et al. Dual endoscopic endonasal transsphenoidal and precaruncular transorbital approaches for clipping of the cavernous carotid artery: A cadaveric simulation. J Neurol Surg B Skull Base. 2016 Dec; 77(6): 485–490. https://doi.org/10.1055/s-0036-1584094. Epub 2016 May 24. PMID: 27857875

27. Kashapov L.N., Kashapov N.F., Kashapov R.N., Pashaev B.Y. The application of additive technologies in creation a medical simulator-trainer of the human head operating field. IOP Conf Ser: Mater Sci Eng. 2016; 134: 012011. https://doi.org/10.1088/1757-899X/134/1/012011

28. Santona G., Madoglio A., Mattavelli D., et al. Training models and simulators for endoscopic transsphenoidal surgery: A systematic review. Neurosurg Rev. 2023 Sep 19; 46(1): 248. https://doi.org/10.1007/s10143-023-02149-3. PMID: 37725193

29. Xu Y., El Ahmadieh T.Y., Nunez M.A., et al. Refining the anatomy of percutaneous trigeminal rhizotomy: A cadaveric, radiological, and surgical study. Oper Neurosurg. 2023 Apr 1; 24(4): 341–349. https://doi.org/10.1227/ons.0000000000000590. Epub 2023 Jan 23. PMID: 36716051

30. James J., Irace A.L., Gudis D.A., Overdevest J.B. Simulation training in endoscopic skull base surgery: A scoping review. World J Otorhinolaryngol Head Neck Surg. 2022 Mar 31; 8(1): 73–81. https://doi.org/10.1002/wjo2.11. PMID: 35619934

31. Mayol Del Valle M., De Jesus O., Vicenty-Padilla J.C., et al. Development of a neurosurgical cadaver laboratory despite limited resources. P R Health Sci J. 2022 Sep; 41(3): 153–156. PMID: 36018744