O que um Modelo Aprende De Verdadeiro Com Os Seus Casos

Na semana passada argumentamos que uma simulação treinada com dados agregados prevê um resultado médio e que nenhum cirurgião opera no nível médio. A pergunta natural a seguir é prática. Se a personalização é a resposta, o que ela realmente exige e como um modelo aprende quando um cirurgião compartilha seus casos?

Este artigo é a explicação mecânica. Não há metáforas sobre ensinar ao software o seu estilo, porque essa expressão oculta a parte que importa.

Três camadas, não um único modelo

Ajuda a separar o que permanece fixo do que se adapta.

A primeira camada é a física. Os tecidos moles se deformam de acordo com propriedades mecânicas que não são específicas de nenhum cirurgião. O núcleo de simulação da Arbrea surgiu de pesquisas na ETH Zurich, onde o problema era fazer com que corpos deformáveis se comportassem corretamente sob carga. A elasticidade dos tecidos, o deslocamento de volume e a resposta gravitacional fazem parte disso. Essa camada não precisa de personalização e não deve ser personalizada. A mecânica é a mesma para todos.

A segunda camada é o modelo geral. Esta é a mapeamento aprendido a partir da anatomia pré-operatória e da intenção cirúrgica para uma forma plausível após a operação, construída a partir de uma ampla população de casos. Ela sabe o que um implante de 350 cc de graduação média tende a fazer em um paciente com uma largura de base e qualidade tecidual determinados. Ela sabe isso em média.

A terceira camada é a adaptação. Esta é a camada que o Research Partner Program constrói. Ela ajusta o mapeamento geral usando casos pareados de uma prática, de modo que, quando o modelo estiver incerto entre vários resultados plausíveis, ele se orienta para o resultado que a prática realmente produz.

Essa distinção é importante porque estabelece uma expectativa realista. A personalização não reconstruirá a simulação a partir do zero em algumas centenas de casos; isso não seria possível nem seguro. Ela desloca um modelo geral bem comportado para a região do espaço de resultados onde um cirurgião específico atua.

O que se considera dados úteis

Os cirurgiões tendem a assumir que a resposta é o volume. Mais casos, melhor modelo. O volume ajuda, mas não é a constrição determinante. A consistência é.

Quatro coisas tornam um caso útil.

Uma captura em par. Uma imagem 3D pré-operatória e uma imagem 3D pós-operatória do mesmo paciente. Sem essas imagens, não há como aprender nada. Uma foto pós-operatória sozinha diz ao modelo como o resultado deveria ser, mas não o que a anatomia inicial era, e todo o significado reside na relação entre as duas imagens.

Um intervalo pós-operatório consistente. Os tecidos às seis semanas e aos nove meses são tecidos diferentes. A inflamação desaparece, o implante se estabiliza e o polo inferior se relaxa. Um conjunto de dados onde o intervalo varia de forma imprevisível ensina ao modelo que a mesma cirurgia produz muitos resultados diferentes, o que é o oposto do objetivo. Uma prática que capture consistentemente um intervalo definido contribui muito mais por caso do que uma que capture sempre que o paciente retornar.

As decisões relacionadas ao caso. Fabricante do implante, referência, volume e perfil. Zonas de bolso e plano. Qualquer técnica que o cirurgião considere importante para o resultado, como a extensão da liberação inferior ou a gestão das dobraduras. Sem essas informações, o modelo vê uma entrada e uma saída com o raciocínio removido e não consegue separar o efeito do implante do efeito da técnica.

Capturar condições que não flutuam. O mesmo dispositivo, posicionamento do paciente semelhante, posição do braço semelhante. Isso parece um detalhe desnecessário. É a diferença entre um modelo de aprendizado cirúrgico e um modelo que aprende as particularidades de como uma determinada sala foi configurada em um determinado dia.

Cem pares bem identificados e capturados de forma consistente por um único cirurgião transmitem um sinal mais adaptativo do que vários pares capturados de forma aleatória. Essa é a parte que surpreende a maioria dos colegas.

O que o modelo não aprende

Vale a pena afirmar isso explicitamente, pois é uma preocupação comum.

O modelo não está sendo treinado para identificar pacientes. A adaptação opera com base em geometria anatômica e parâmetros cirúrgicos, não em identidade. Os dados dos pacientes são desidentificados antes de serem inseridos em qualquer processo de treinamento, e o consentimento para uso na pesquisa é obtido através do fluxo de trabalho de consentimento dos próprios pacientes do parceiro.

O que o parceiro recebe

A saída da participação é uma versão do Arbrea cujas simulações são calibradas para essa prática. Concretamente, isso significa que o modelo resolve para o bolso o que o cirurgião realmente utiliza, pondera as famílias de implantes que realmente possui e reflete o comportamento do tecido da população que ele realmente trata.

Duas consequências secundárias tendem a ser tão importantes quanto a primeira.

A primeira é que a construção do conjunto de dados obriga uma prática a padronizar a própria captura dos resultados. Os cirurgiões que concluem o processo geralmente acabam com o primeiro registro longitudinal sistemático de seus próprios resultados, independentemente do modelo utilizado. Vários parceiros descreveram isso como o resultado mais imediatamente útil.

O segundo é a calibração na outra direção. Quando um cirurgião compara seus próprios resultados agregados com o modelo geral, essa diferença serve para medir sua técnica, e não para avaliá-la.

A versão honesta do esforço envolvido

Este não é um programa passivo. Contribuir significa capturar imagens em um protocolo, classificar os casos com detalhes técnicos e acompanhar os pacientes até um intervalo pós-operatório definido. Para uma clínica que já realiza exames rotineiramente, o trabalho adicional é modesto. Para uma que não faz isso, é uma mudança no fluxo de trabalho.

O comércio é explícito. Os cirurgiões que investem nesse esforço estruturado recebem um modelo moldado em torno de seu próprio trabalho, e recebem isso primeiro, enquanto o campo ainda utiliza modelos moldados em torno dos de todos.

Consulte o protocolo de dados e o que implica a participação.