Sviluppo e sperimentazione di un sistema basato su guanto sensorizzato per la valutazione oggettiva del training chirurgico

La simulazione e la valutazione oggettiva delle competenze tecniche in chirurgia costituiscono degli strumenti molto promettenti per potenziare il training dei chirurghi. Molti sistemi sono stati proposti dalla fine degli anni ‘90 a oggi, ma, nonostante la necessità di un’educazione “moderna”, l’inserimento della simulazione nel training chirurgico è ancora limitato. Non esistono sistemi universalmente accettati o riconosciuti come “gold standard”, e la mancanza riguarda soprattutto il training per la chirurgia open, più complessa da simulare e valutare oggettivamente rispetto alla chirurgia mini-invasiva. In questo contesto, il presente lavoro mostra lo sviluppo e la sperimentazione iniziale di un sistema per la valutazione delle performance tecniche nella simulazione in chirurgia open basato sull’uso di un guanto sensorizzato. Materiali e Metodi: È stato realizzato un guanto integrato con sensori di movimento (i.e. 14 sensori di piegamento ed una piattaforma inerziale a sei gradi di libertà) per registrare la flesso-estensione delle articolazioni delle dita (sensori di piegamento) e i movimenti globali della mano (sensori inerziali). Diciotto soggetti (9 “esperti” e 9 “novizi”) hanno partecipato alla fase sperimentale dello studio eseguendo, con il guanto indossato, due task inerenti alle tecniche di base per la chirurgia open: la sutura interrotta e la sutura continua. Le loro performance (20 esecuzioni per task per ogni soggetto) sono state registrate durante due giorni di misura al termine dei quali è stato somministrato un questionario per raccogliere l’opinione dei partecipanti in merito allo strumento di valutazione adottato nell’esperimento. Il sistema è stato validato dimostrando la sua affidabilità e la sua validità nel discriminare due diversi livelli di esperienza chirurgica. Per il primo task proposto è stato ricavato il tempo necessario a portare a termine l’esecuzione ed è stato calcolato il coefficiente di correlazione intraclasse (ICC) per valutare l’abilità di ogni esecutore nel ripetere e riprodurre lo stesso esercizio. Un’analisi statistica è stata condotta per determinare l’esistenza di differenze significative tra i due gruppi in termini di tempo, ripetibilità e riproducibilità. Con lo scopo di eseguire una classificazione automatica dell’esperienza dei partecipanti, è stato sviluppato un algoritmo di classificazione supervisionata in grado di assegnare ogni esecuzione dei due task chirurgici, e conseguentemente ogni soggetto, alla classe degli esperti o a quella dei novizi. Tre tipologie di classificatori (support vector machine, artificial neural network e linear discriminant analysis) e 41 combinazioni di sei feature sono state analizzate con lo scopo di ottenere la miglior configurazione in termini di accuratezza della classificazione. Per diminuire il costo computazionale del problema è stato sviluppato un algoritmo di selezione delle variabili con cui è stato individuato un sottoinsieme di sensori più significativi. Il risultato ottenuto è stato validato confrontando le performance del processo di classificazione considerando come input del problema sia tutti i sensori sia solo quelli selezionati. Risultati: I parametri studiati riflettono la precedente formazione dei soggetti: per il gruppo degli esperti, rispetto al gruppo dei novizi, il tempo necessario all’esecuzione è risultato minore (p-value<0,001) e la capacità di ripetere e riprodurre il task chirurgico analizzato è risultata superiore (rispettivamente: p-value=0,01; p-value<0,001). Il sistema ha presentato, in generale, una ripetibilità moderata (valore mediano dell’ICC pari a 0,64 per gli esperti e 0,53 per i novizi) ed un’elevata riproducibilità (valore mediano dell’ICC pari a 0,91 per gli esperti e 0,69 per i novizi). I risultati ottenuti grazie al questionario proposto hanno fornito un feedback positivo dei partecipanti. L’algoritmo di classificazione automatica sviluppato ha permesso di assegnare ad ogni esecuzione e ad ogni soggetto la corretta classe di appartenenza tra “esperto” e “novizio” per entrambi i task chirurgici (errore della classificazione dello 0%). Considerando i sensori individuati grazie all’algoritmo di selezione, l’errore della classificazione delle ripetizioni è risultato pari a 1,67% per il primo task e 1,11% per il secondo, e l’errore della classificazione dei soggetti è risultato pari allo 0%. Questi risultati hanno validato la possibilità di diminuire il costo computazionale del problema senza perdere l’accuratezza della classificazione. Discussione e conclusioni: L’esperienza iniziale descritta in questo lavoro conferma la validità e l’affidabilità del sistema sviluppato e la sua capacità di valutare oggettivamente ed automaticamente l’abilità tecnica psicomotoria di un chirurgo. I risultati positivi, seppur preliminari, pongono le basi per un progetto più complesso di simulazione per la chirurgia open.