모델이 실제로 귀하의 사례에서 배운 점은 무엇인가?

지난주 우리는 집계된 데이터로 훈련된 시뮬레이션이 평균 결과를 예측한다는 주장을 했고, 또한 어느 한 의사가 평균 수준의 수술을 하지 않는다는 주장을 했습니다. 그 다음으로 자연스럽게 나오는 질문은 실질적인 질문입니다. 개인화가 답이라면, 실제로 어떤 것이 필요하며, 외과의사가 자신의 사례를 공유할 때 어떤 모델이 학습을 하는가?

이 글은 기계적 설명입니다. 소프트웨어를 당신의 스타일에 맞게 가르치는 것에 대한 은유는 없어야 합니다. 왜냐하면 그런 표현은 중요한 부분을 숨기기 때문입니다.

세 가지 레이어, 하나의 모델이 아닙니다.

그것은 고정된 것과 적응하는 것을 분리하는 데 도움이 됩니다.

첫 번째 계층은 물리학입니다. 연부 조직은 어떤 외과의사에 특정한 물리적 특성과는 무관한 특성을 지니고 있다. Arbrea의 시뮬레이션 핵심 기술은 ETH Zurich의 연구에서 개발되었으며, 해당 연구의 목적은 하중 하에서 변형 가능한 물체를 올바르게 움직이게 만드는 것이었습니다. 조직의 탄성력, 부피 이동, 그리고 중력 반응은 여기에 해당합니다. 이 계층은 개인화할 필요가 없으며, 개인화되어선 안 됩니다. 기계학은 기계학입니다.

2단계는 일반적인 모델입니다. 이는 전 수술 전 해부학적 구조와 수술 목적을 바탕으로 하여 환자 개개인의 기본 골격 두께와 조직 질감에 따라 350cc의 중간 이상의 이식물이 적합할 수 있는 구체적인 수술 후 형상을 학습한 것입니다. 이 알고리즘은 이를 환자 개개인의 평균값으로 파악합니다.

세 번째 단계는 적응입니다. 이것이 Research Partner Program이 구축하는 계층입니다. 이 계층은 하나의 사례를 기반으로 한 쌍의 사례를 사용하여 일반적인 매핑을 조정합니다. 따라서 모델이 여러 가능한 결과 사이에서 불확실할 경우, 해당 사례가 실제로 생성하는 결과로 설정됩니다.

이 차이는 현실적인 기대치를 설정하기 때문에 중요합니다. 개인화는 수백 건의 사례를 기준으로 시뮬레이션을 처음부터 다시 구축하는 것이 불가능하거나 안전하지 않기 때문에, 이를 대신 수행하는 것은 아닙니다. 개인화는 잘 동작하는 일반적인 모델을 특정 외과의사가 근무하는 결과 공간 영역으로 이동시킵니다.

유용한 데이터로 간주되는 것은 무엇인가?

외과의사들은 대답이 양이라고 생각한다. 더 많은 수술이 더 나은 모델을 만들어낸다. 양은 도움이 되지만, 그것이 유일한 제약조건은 아니다. 일관성은 그렇다.

4가지 요소가 사례를 유용하게 만든다.

짝을 이루어 잡힌 모습. 동일한 환자의 전 수술 전 3D 스캔과 수술 후 3D 스캔입니다. 이 두 가지가 없으면 무엇을 배울 수 있는 것도 없습니다. 외과 후 사진만으로 모델에게 결과가 어떻게 보이는지 알 수 있지만 시작하는 골격 구조는 알 수 없으며, 전체 신호는 그 사진 속에 존재합니다. 두 사람의 관계.

일관적인 수술 후 간격. 6주차의 조직과 9개월차의 조직은 서로 다른 조직입니다. 부종은 사라지고 임플란트는 자리잡으며 하단쪽 꼬리뼈는 이완됩니다. 간격이 예측할 수 없는 방식으로 변화하는 데이터 세트를 통해 모델은 동일한 수술이 여러 가지 다른 결과를 초래한다는 사실을 배웁니다. 이는 목표와는 정반대의 결과입니다. 일정 간격으로 지속적으로 데이터를 수집하는 방식은 환자가 언제든지 돌아오더라도 데이터를 수집하는 방식보다 한 건당 훨씬 더 많은 정보를 제공합니다.

이 사건과 관련된 결정들. 임플란트 제조업체, 참조, 수량, 프로파일. 포켓 및 평면. 외과 의사가 결과에 중요하게 고려하는 모든 기술적 세부 사항(예: 하부 탈출 정도 또는 접합 관리의 범위). 이러한 라벨이 없으면 모델은 입력과 출력을 함께 볼 수 없으며, 이와 같은 근거는 제거되고 임플란트의 효과와 기술의 효과를 구분할 수 없습니다.

움직이지 않는 조건을 포착하세요. 동일한 장치, 유사한 환자 위치, 유사한 팔 위치. 이것은 다소 구식처럼 들립니다. 이는 모델이 수술을 학습하는 방식과 특정 날에 특정 방이 어떻게 구성되었는지에 대한 특수한 상황을 학습하는 모델의 차이입니다.

한 명의 외과의가 촬영한 잘 명시된, 일관적으로 촬영된 쌍은 여러 번 촬영된 것보다 더 적응력이 높은 신호를 전달합니다. 이것이 대부분의 파트너들에게 놀라움을 선사하는 부분입니다.

모델이 배운 것이 없는 것

공통적인 우려이기 때문에 명시적으로 언급하는 것이 중요합니다.

이 모델은 환자를 식별하는 것을 배우지 않는다. 적응은 신체적 형상과 수술적 요소를 기준으로 작동하며, 정체성을 기준으로 하는 것이 아니다. 환자 데이터는 교육 과정에 포함되기 전에 익명화되며, 연구 목적으로 사용하기 위한 동의는 파트너의 자체 환자 동의 워크플로우를 통해 얻어진다.

파트너가 받는 것

참여의 결과물은 Arbrea의 한 버전으로, 그 시뮬레이션은 그러한 관행에 맞게 조정되었습니다. 실제로 외과 의사가 사용하는 주머니 방향으로 모델이 설정되고, 실제로 보유하고 있는 임플란트 제품군을 고려하여 최적의 제품을 선택하며, 그들이 실제로 치료하는 인구의 조직 행동.

보조 효과 두 가지는 기본 효과만큼이나 중요하게 여겨진다.

첫 번째는 데이터 세트를 구축함으로써 자체의 결과 수집 방식을 표준화해야 한다는 실천을 강제한다는 것입니다. 이 과정을 완료한 외과의사들은 일반적으로 해당 모델과는 무관하게 자신들이 보유한 결과물 중 최초의 체계적인 장기적 기록을 갖게 된다. 여러 파트너들은 이를 더 즉각적인 유용한 결과라고 설명했습니다.

두 번째는 반대 방향의 보정입니다. 외과의사가 자신의 집계된 결과를 일반 모델과 비교할 때, 그 차이는 그 기술의 측정이 아니라 그 기술에 대한 평가가 됩니다.

이 노력의 정직한 버전은 다음과 같습니다.

이것은 수동적인 프로그램이 아닙니다. 참여하는 것은 프로토콜에 따라 검체를 수집하고, 기술 세부사항을 명시하여 사례를 분류하며, 환자를 정의된 수술 후 기간까지 추적하는 것을 의미합니다. 일반적으로 이미 스캔을 수행하는 방식이라면 추가적인 작업은 적습니다. 그렇지 않은 방식이라면 워크플로에 변화가 생깁니다.

이 거래는 명확합니다. 그 노력을 기울인 외과의사들은 자신의 작업에 맞게 만들어진 모델을 얻게 되며, 그들은 먼저 그 모델을 얻게 되지만, 그 분야는 여전히 모든 사람의 작업에 맞게 만들어진 모델들을 사용하고 있습니다.

데이터 프로토콜과 참여 방식에 대해 확인하세요.