Winkler-Schwartz A, Yilmaz R, Mirchi N, et al. Machine Learning Identification of Surgical and Operative Factors Associated with Surgical Expertise in Virtual Reality Simulation. JAMA Netw Open. 2019;2(8):e198363. doi:https://doi.org/10.1001/jamanetworkopen.2019.8363 Lien vers la publication
Site web du laboratoire
http://neurosim.mcgill.ca/
Le Dr Winkler-Schwartz et le Dr Yilmaz habitent à Montréal.
Utilisation de l’apprentissage automatique pour mieux évaluer les compétences chirurgicales des neurochirurgiens.
Les interventions chirurgicales comportent des risques considérables pour les patients et des coûts importants pour les systèmes de soins de santé. C’est pourquoi il y a une hausse de la demande pour une démonstration objective des compétences chirurgicales de la part de parties prenantes telles que les groupes de défense des droits des patients, les organisations gouvernementales, les agences d’assurance et les administrations hospitalières.
Le Dr Alexander Winkler-Schwartz et le Dr Recai Yilmaz ont étudié l’utilisation de simulateurs de chirurgie en réalité virtuelle comme moyen de fournir des évaluations objectives en chirurgie au Centre de simulation neurochirurgicale et d’apprentissage de l’intelligence artificielle de l’Université McGill. Pour ce faire, ils ont mis au point un algorithme d’apprentissage automatique permettant de classer les participants par niveau d’expertise dans une opération chirurgicale en réalité virtuelle (RV).
Leur étude est la première à démontrer la capacité des algorithmes d’apprentissage machine à classer l’expertise chirurgicale en groupes avec une grande précision en utilisant moins de 10 mesures de performance. Cinquante personnes (quatorze neurochirurgiens, quatre boursiers, dix résidents seniors, dix résidents juniors et douze étudiants en médecine) d’une même université ont été recrutées pour participer à 250 résections tumorales simulées à l’aide de NeuroVR, l’un des simulateurs chirurgicaux les plus avancés qui existent. Sur les 50 participants, seuls cinq ont été mal classés en fonction de leur niveau d’expertise.
Malgré les progrès réalisés dans l’évaluation des compétences techniques en chirurgie, il manquait une compréhension claire des composantes de l’expertise technique. Cette étude du Dr Winkler-Schwartz et du Dr Yilmaz a permis d’identifier les facteurs chirurgicaux et opérationnels liés au niveau d’expertise. La simulation chirurgicale permet de mesurer les compétences psychomotrices pendant l’opération, qui sont enregistrées dans d’énormes ensembles de données. Les algorithmes d’apprentissage machine développés par les docteurs Winkler-Schwartz et Yilmaz utilisés dans l’analyse de ces ensembles de données ont permis d’identifier les facteurs qui contribuent à la compétence et à l’efficacité de la chirurgie.
Cette nouvelle méthodologie a une large applicabilité dans toutes les circonstances où la performance technique est mesurée. L’intelligence artificielle et les systèmes d’apprentissage machine se prêtent bien à l’analyse des énormes ensembles de données générés par les simulateurs et peuvent fournir des aperçus objectifs et nouveaux sur les composantes techniques de l’expertise. Cette étude comble une lacune importante en matière de connaissances dans le domaine de l’évaluation des compétences techniques et fournit des outils qui peuvent être utilisés dans de nombreux domaines de la médecine.
Dr Alexander Winkler-Schwartz et Dr Recai Yilmaz
Le Dr Alexander Winkler-Schwartz est résident en neurochirurgie et candidat au doctorat ; le Dr Recai Yilmaz est diplômé en médecine et candidat au doctorat, tous deux au Centre d’apprentissage de la simulation neurochirurgicale et de l’intelligence artificielle de l’Université McGill. Ils sont les co-premiers auteurs du manuscrit.
