Was ein Modell tatsächlich aus Ihren Fällen lernt

Letzte Woche argumentierten wir, dass eine auf aggregierten Daten trainierte Simulation ein durchschnittliches Ergebnis vorhergesagt, und dass kein Chirurg an dem Durchschnitt arbeitet. Die natürliche Folgerung ist eine praktische Frage: Wenn Personalisierung die Antwort ist, was ist das eigentlich erforderlich, und wie lernt ein Modell, wenn ein Chirurg seine Fälle mitteilt?

Dieser Artikel gibt die mechanische Erklärung. Es gibt keine Metaphern darüber, die Software in Ihrem Stil zu trainieren, denn diese Formulierung verheimlicht das Wesentliche.

Drei Schichten, keine einzige Modellvariante

Es hilft, zu unterscheiden zwischen dem, was sich nicht ändert und dem, was sich anpasst.

Die erste Ebene ist die Physik. Weichgewebe verformt sich entsprechend mechanischen Eigenschaften, die nicht spezifisch für jeden Chirurgen sind. Das Simulationskernwerk von Arbrea stammt aus der Forschung am ETH Zürich, wo das Problem darin bestand, verformbare Körper unter Belastung richtig zu verformen. Hierbei kommen die Elastizität von Gewebe, das Volumenverschieben und die Gravitationsreaktion ins Spiel. Diese Ebene benötigt keine Personalisierung und sollte nicht personalisiert werden. Mechanik ist Mechanik.

Die zweite Ebene ist das allgemeine Modell. Dies ist die erlernte Zuordnung der präoperativen Anatomie und des chirurgischen Intents zu einer plausiblen postoperativen Form, die auf einer breiten Population von Fällen erstellt wurde. Es weiß, was ein moderat-plus-implantat mit einem Volumen von 350 ml bei einem Patienten mit einer bestimmten Basisbreite und Gewebeklasse in der Regel bewirkt. Es weiß das im Durchschnitt.

Die dritte Ebene ist die Anpassung. Dies ist die Ebene, auf der das Research Partner Program aufgebaut wird. Sie passt die allgemeine Klassifizierung anhand von gekoppelten Fällen aus einer Praxis an, sodass das Modell bei Unsicherheit zwischen mehreren plausiblen Ergebnissen zu dem Ergebnis tendiert, das tatsächlich durch die Praxis erzielt wird.

Diese Unterscheidung ist wichtig, weil sie eine realistische Erwartungshaltung schafft. Die Personalisierung baut die Simulation nicht von Grund auf anhand einiger hundert Fälle neu auf, was weder möglich noch sicher wäre. Stattdessen wird ein gut funktionierendes allgemeines Modell in den Bereich des Ergebnisspektrums verschoben, in dem ein bestimmter Chirurg tätig ist.

Was gilt als nützliche Daten?

Chirurgen neigen dazu, davon auszugehen, dass die Antwort Volumen ist. Mehr Fälle, besserer Modell. Volumen hilft, aber das ist nicht die ausschlaggebende Einschränkung. Konsistenz ist es.

Vier Dinge machen einen Fall nutzbar.

Ein gepaartes Fangversuch. Eine präoperative 3D-Scansung und eine postoperative 3D-Scansung desselben Patienten. Ohne diese beiden Daten gibt es nichts zu lernen. Ein alleiniger Postoperativer Röntgenaufdruck gibt dem Modell lediglich an, wie das Ergebnis aussehen sollte, aber nicht, welche die Ausgangsanatomie war, und das gesamte Signal liegt in der Beziehung zwischen diesen beiden Elementen.

Ein konsistenter postoperativer Intervallzeitraum. Weichteilgewebe bei sechs Wochen und Weichteilgewebe bei neun Monaten sind unterschiedliche Gewebe. Die Schwellung verschwindet, das Implantat setzt sich ein, die Unterseite entspannt sich. Eine Datensammlung, in der der Intervall unvorhersehbar variiert, lässt das Modell lernen, dass die gleiche Operation viele unterschiedliche Ergebnisse produziert – was dem Ziel widerspricht. Eine Praxis, die konsequent innerhalb eines definierten Intervalls erfasst wird, liefert pro Fall weit mehr als eine Praxis, die immer dann erfasst wird, wenn der Patient zufällig zurückkehrt.

Die mit dem Fall verbundenen Entscheidungen. Implantenhersteller, Referenz, Volumen und Profil. Taschen- und Planform. Jede Technik, die der Chirurg als entscheidend für das Ergebnis betrachtet, wie z. B. die Ausdehnung der Unterseite oder die Gestaltung der Falten, wird detailliert beschrieben. Ohne diese Angaben sieht das Modell nur eine Eingabe und eine Ausgabe, wobei die Begründung entfällt, und kann die Wirkung des Implantats nicht von der Wirkung der Technik trennen.

Erfassen von Bedingungen, die nicht driften. Gleiches Gerät, vergleichbare Patientenpositionierung, vergleichbare Armposition. Das klingt vielleicht pedantisch. Es ist der Unterschied zwischen einem Modell, das Chirurgie lernt, und einem Modell, das die Besonderheiten der Einrichtung eines bestimmten Raumes an einem bestimmten Tag erlernt.

Hundert gut beschriftete, konsistent aufgenommenen Paare eines einzelnen Chirurgen liefern ein adaptiveres Signal als mehrmals so viele, die lose aufgenommen wurden. Dies ist der Teil, der die meisten Partner überrascht.

Was das Modell nicht lernt

Es ist unbedingt anzumerken, da dies eine häufige Anliegen ist.

Das Modell lernt nicht, Patienten zu identifizieren. Die Anpassung basiert auf anatomischen Geometrien und chirurgischen Parametern und nicht auf Identität. Die Patientendaten werden vor dem Einbezug in den Trainingsprozess pseudonymisiert, und die Zustimmung zur Forschungsnutzung wird über den eigenen Patienten-Einverständnisprozess des Partners eingeholt.

Was ein Partner erhält

Die Produktleistung der Teilnahme ist eine Version von Arbrea, deren Simulationen an diese Praxis angepasst sind. Konkret bedeutet dies, dass das Modell die Taschen, die der Chirurg tatsächlich verwendet, berücksichtigt, die Implantatfamilien, die er tatsächlich im Sortiment hat, gewichtet und das Gewebeverhalten der Bevölkerung, die er tatsächlich behandelt, widerspiegelt.

Zwei sekundäre Effekte sind tendenziell genauso wichtig wie die primäre Wirkung.

Das erste Problem ist, dass die Erstellung des Datensatzes eine Praxis erfordert, die das Erfassen der eigenen Ergebnisse standardisiert. Chirurgen, die den Prozess abschließen, erhalten in der Regel die erste systematische Langzeitaufzeichnung ihrer eigenen Ergebnisse, unabhängig vom Modell. Mehrere Partner haben dies als das unmittelbar nützlichere Ergebnis beschrieben.

Das zweite Beispiel ist die Kalibrierung in die andere Richtung. Wenn ein Chirurg seine eigenen aggregierten Ergebnisse mit dem allgemeinen Modell vergleicht, ist der Unterschied eher eine Messung seiner Technik als eine Beurteilung davon.

Die ehrliche Version der Anstrengung war dabei enthalten.

Dies ist kein passiver Programm. Mitzuwirken bedeutet, Scans nach einem Protokoll zu erfassen, Fälle mit detaillierten Techniken zu beschriften und die Patienten bis zu einem definierten postoperativen Intervall zu begleiten. Für eine Praxis, die bereits routinemäßig scannt, ist die zusätzliche Arbeit gering. Für eine Praxis, die dies nicht tut, handelt es sich um eine Änderung des Arbeitsablaufs.

Der Austausch ist explizit. Chirurgen, die sich diese strukturierte Anstrengung antun, erhalten ein Modell, das an ihre eigene Arbeit angepasst ist, und sie erhalten es zuerst, während das Feld weiterhin Modelle verwendet, die an die von allen angepasste.

Siehe das Datenprotokoll und was eine Beteiligung beinhaltet.