평균적인 외과의사가 존재하지 않는 이유

환자 한 명을 가정해 봅시다. 동일한 해부학적 구조, 동일한 조직 품질, 동일한 피부 피복, 그리고 동일한 375cc 원형 보형물입니다. 이 수술을 두 명의 숙련된 외과 의사에게 맡겨보세요.

하나는 임플란트를 듀얼 플레인 포켓에 넣고, 하부 기시부를 더 박리하며, 하극의 약간 더 많은 늘어짐을 허용합니다. 다른 하나는 근막 하에 머물며, 포켓을 더 타이트하게 유지하고, 환자에게 4주 동안 압박복을 입힙니다. 6개월째에 두 결과는 돌출도, 상극의 볼륨, 그리고 새로운 밑가슴 주름의 위치에서 차이를 보입니다.

두 수술 모두 훌륭합니다. 틀린 것은 없습니다. 그리고 이것이 미용 의학의 모든 시뮬레이션 모델이 직면해야 하는 문제입니다.

“수천 건의 사례로 학습되었다'의 진정한 의미

대규모의 통합된 데이터셋을 기반으로 시뮬레이션 도구가 구축되면, 해당 데이터셋의 중심 경향성을 학습하게 됩니다. 그 결과는 그 데이터셋에 포함된 집도의, 수술 기법, 임플란트 제품군, 그리고 환자군 전반에 걸쳐 평균적으로 일어나는 현상으로 수렴하게 됩니다.

그 평균값은 유용합니다. 엄밀히 말하자면 그것은 또한 아무도 만들어내지 않는 결과이기도 합니다. 그것은 근육 밑 삽입과 근육 위 삽입, 고프로파일 보형물과 중등도 프로파일 보형물, 치밀 조직을 가진 환자와 얇아진 조직을 가진 환자, 그리고 서로 다른 미적 기준을 가진 여러 국가의 관행들이 결합된 복합체입니다.

해당 결과를 살펴보는 외과의사는 다른 사람들의 결정으로 조합된 결과를 보고 있는 셈이다. 외과의사 자신의 시술법이 분포의 정중앙에 가까울수록 그 효과는 더 좋아진다. 기법이 독특할수록, 그 부합도는 더 떨어진다.

이것은 부주의로 인해 도입된 결함이 아닙니다. 그것이 바로 일반화가 하는 일입니다. 모든 사람에게 적당히 잘 맞도록 만들어진 모델은 동시에 그 누구에게도 정확할 수 없습니다.

분산이 실제로 어디에서 오는지

일반 모델과 구체적인 실무 사이의 거리는 단일한 간격이 아닙니다. 그것은 몇 개의 독립적인 축을 따라 누적됩니다.

주머니와 비행기. 유선하, 근막하, 듀얼 플레인, 완전 근육하. 각각은 동일한 보형물 체형에 대해 서로 다른 연부 조직 반응을 만들어내며, 각 집도의는 선호하는 기본 방식과 그 방식에서 벗어나는 조건들을 가지고 있다.

임플란트 포트폴리오. 주로 한 제조사의 응집성 겔 라인 제품을 사용하는 외과의사는 세 가지 브랜드와 네 가지 돌출 프로파일을 번갈아 사용하는 외과는 다른 양상의 결과를 도출합니다. 외피의 거동, 겔의 응집력, 그리고 베이스 직경의 기준이 모두 다르기 때문입니다.

해부 습관. 하방 기시부를 얼마나 박리하는지, 주름(fold)을 어떻게 처리하는지, 어느 정도의 박리를 허용하는지. 이것들은 외과의사들이 '감(feel)'이라고 표현하는 결정들이며, 하극의 모양을 정확히 결정하는 결정들이다.

환자군. 한 지역의 병원은 500킬로미터 떨어진 다른 지역의 병원과 비교해 체질량지수(BMI) 범위, 조직 특성, 출산력 등에서 체계적으로 다른 양상을 보일 수 있다. 수술실로 들어오는 해부학적 상태는 무작위로 분포되어 있지 않다.

수술 후 프로토콜. 의복 착용 지침, 마사지 방법, 활동 제한, 그리고 추적 관찰 간격 모두가 환자가 최종적으로 보게 되는 결과를 형성하며, 이는 매우 다양합니다.

각 축은 평균에서 소폭 벗어난 것에 불과하지만, 이들이 누적되면 숙련된 외과의사가 일반적인 시뮬레이션을 보고 그 결과가 자신의 작업과 닮지 않았다고 정확하게 판단할 수 있는 이유를 설명해 줍니다.

상담실에서의 결과

시뮬레이션은 주로 기술적 인공물이 아닙니다. 그것은 소통 도구입니다. 그것의 역할은 환자가 기대하는 것과 외과 의사가 제공할 수 있는 것을 일치시키는 것입니다.

그 일치는 두 가지 방향에서 실패합니다. 시뮬레이션이 집도의의 평소 결과보다 더 보기 좋게 나온다면, 환자는 절개도 하기 전에 만들어진 실망감을 안고 경과 관찰 진료에 오게 됩니다. 반대로 시뮬레이션이 너무 보수적이라면, 집도의는 자신이 완벽하게 해낼 수 있는 수술의 가치를 깎아내리게 되고 환자는 다른 곳으로 가버리게 됩니다.

두 가지 실패 모두 같은 원인에서 비롯됩니다. 모델은 일반적인 수술에 관한 질문에 답하고 있는 반면, 환자는 이 외과의사에 관한 질문을 하고 있습니다.

개인화가 의미해야 하는 것

진료실 간의 편차가 구조적인 것이라는 진단이 내려진다면, 그 해결책이 더 많은 집계 데이터가 될 수는 없습니다. 일반적인 모델에 사례를 더하는 것은 평균을 더 안정적으로 만들 뿐입니다. 그것을 당신의 것으로 만들어 주지는 않습니다.

개인화는 더 좁고 까다로운 것을 의미합니다. 그것은 단일 병원 내에서 수술 전 해부학적 구조, 수술적 결정, 그리고 관찰된 결과 간의 특정한 관계에 맞춰 행동 양식이 적응된 모델을 의미합니다. 물리학은 변하지 않습니다. 조직 역학도 변하지 않습니다. 변하는 것은 모델이 가능한 결과 공간 중 어떤 영역을 올바른 것으로 취급하느냐 하는 점입니다.

실질적으로 이는 일반 데이터셋이 제공할 수 없는 세 가지를 요구한다. 그것은 해당 관행에서 나온 전후의 짝을 이룬 사례들이 일정한 간격으로 필요하다. 그것은 절단면, 임플란트 기준, 그리고 집도의가 중요하다고 여기는 모든 수술 기법 노트를 포함하여 각 사례에 수반되는 결정들을 요구한다. 그리고 모델이 측정 노이즈가 아닌 수술적 신호를 학습할 수 있도록 그러한 사례들이 기록되는 방식에서 충분한 일관성을 요구한다.

외과 의사에게 요구할 수 있는 의미 있는 기여입니다. 그것은 또한 해당 분야의 평균적인 손이 아니라 그들의 손을 반영하는 시뮬레이션으로 가는 유일한 길이기도 합니다.

연구 파트너 프로그램

Arbrea Labs가 개소했습니다 연구 파트너 프로그램 기다리기보다 직접 만들고자 하는 외과의사들을 위해, 파트너들은 자신의 임상 사례와 결과 데이터를 제공하고, 그 대가로 자신의 술기, 선호하는 임플란트 포트폴리오, 환자군에 맞춤화된 Arbrea의 첫 버전을 제공받습니다.

전제는 간단합니다. 자신들의 수술실에서 진료 표준을 정의하는 외과의들이 모델이 올바른 결과를 도출했다고 간주하는 기준을 정의해야 합니다.

연구 파트너 프로그램의 작동 방식과 참여 시 수반되는 내용을 알아보세요.