01 研究背景

與傳統的手術框架相比，機器人輔助手術(RAS)提供了一些優勢，如改進了手術的三維性，放大了工作區域的圖像，以及提高了靈活性。雖然RAS的優勢得到了認可，但機器人用戶界面的局限性和陡峭的學習曲線是導致機器人輔助技術利用率較低的因素。即使在RAS廣泛應用的領域，如婦科和泌尿科，RAS的結果似乎主要與單個外科醫生的專業水平相關。

本研究目的是檢查EEG特征代表的動態變化的功能腦網絡的外科見習醫生，以及這些特征是否可以用來評估機器人輔助外科醫生(RAS)的表現和分散在手術室的水平。

02 研究方法

2.1、被試

所有研究對象都是來自羅斯威爾公園綜合癌癥中心泌尿科的RAS外科研究員。

表1.人口統計數據

備注：RAS:機器人協助手術;或者:手術室

2.2、實驗過程與數據分析

數據記錄設置：利用128通道腦電圖(EEG)耳機(ANT neuro inspiring technology, Inc, Hengelo, The Netherlands)以500個samples/s的頻率，從手術室(ORs)的3名機器人外科醫生收集EEG數據。記錄了119個腦區的EEG數據，包括額葉(2通道)、前額葉(3通道)、中央(7通道)、顳葉(2通道)、頂葉(10通道)、枕葉(4通道)、額-中央(19通道)、額-顳葉(10通道)、頂-枕葉(17通道)、顳-頂葉(8通道)、和中央頂葉區(18個通道)。其余9個通道中，2個為置于乳突上的參考電極，7個電極(I1、Iz、I2、CPz、PO5、PO6、Oz)因信號質量不足而排除在本研究之外。

外科醫生特點及評價：每個外科醫生對手術專用的任務負荷指數(SURG-TLX)問卷進行主觀評估，每個任務結束時導師對NASA任務負荷指數(NASA-TLX)問卷指標進行主觀評估。SURG-TLX包括六個指標的多維評分：心理需求、身體需求、時間需求、任務復雜性、情境壓力和分心。NASA-TLX指標包括精神需求、身體需求、時間需求、表現、努力和挫折。分析使用了導師給出的表現評分和外科醫生給出的分心評分。SURG-TLX和NASA-TLX指標的規模為1-20，其中1最低，20最高。

外科任務：本研究的手術任務包括膀胱下降、清掃(淋巴結、膀胱頸、精囊、輸尿管周圍間隙、骨盆側間隙、直腸前間隙、血管蒂和前列腺尖)、尿道-膀胱吻合和縫合。

大腦分成的系統：根據前人的研究工作，位于這些區域之上的大腦區域和相應的記錄電極被標記為與運動、認知和感知相關的大腦區域。分析考慮了運動過程相關區域、認知過程相關區域和知覺過程相關區域。

圖1 運動過程相關區域、認知過程相關區域和知覺過程相關區域的實驗設置和EEG特征提取示意圖

EEG信號處理：使用ANT Neuro的高級源分析(ASA)框架對腦電數據進行預處理。ASA框架通過空間濾波實現偽跡校正。根據地形圖將腦信號從偽跡中分離出來，然后在不扭曲腦電信號的情況下去除偽跡。該方法使用兩個標準確定哪些數據部分被認為是腦信號：第一個標準指定腦電信號的最高振幅范圍，第二個標準指定腦信號和允許最大偽跡的最高相關性。然后，利用空間主成分分析(PCA)方法確定腦電信號偽跡。最后，將刪除這些偽跡成分。采用0.2-250 Hz的帶通濾波器對各通道的腦電圖數據進行濾波，濾波陡度為24 dB/octave。基于盲源分離和基于地形分布的PCA方法進行腦電信號偽跡校正。對腦電數據的個別部分進行目視檢查，以檢查面部和肌肉活動偽跡和其他偽跡，然后采用空間拉普拉斯(SP)技術對信號進行特征提取。

大腦動態特征：大腦分成不同的區域，包括多個通道。這些通道構成了網絡節點。通過相干分析，推導出網絡連通性。利用相鄰矩陣提取運動過程相關區域、認知過程相關區域和知覺過程相關區域的平均強度和平均搜索信息特征。

力量是指大腦各區域中各通道的總溝通權重。通過每次記錄，每個區域的平均強度被考慮進行分析。

搜索信息是指在給定的一對節點之間沿著最短路徑所需要的信息量(以Bit為單位)。計算每個區域內的通道特征，并考慮每個記錄中每個區域的平均值。使用多層模塊化最大化準則將每個相鄰矩陣劃分為社區(功能狀態)，計算每個記錄的每一秒。群體的表達是指分配給同一個群體的大腦區域之間的關系，分配給不同群體的大腦區域之間的聯系的緊密程度。

每秒鐘為每個通道分配的功能社區數據用于為每個記錄提取純凈模塊矩陣(MAM)。矩陣元素的值表明，在由構建的一組功能大腦網絡中，兩個通道可以被分配到同一個社區的概率利用MAM提取平均靈活性、整合性以及運動加工相關區域、認知加工相關區域和知覺加工相關區域的招募動態腦特征。

網絡靈活性是指在記錄的過程中，一個區域內的信道在連續的一秒窗口內更改其指定社區的時間的百分比。一個區域內所有通道的靈活性的平均值被認為是每個區域和記錄的一個特征。整合：是指一個通道與來自大腦其他區域的通道處于同一網絡社區的平均概率。每個區域內每個通道的平均積分被認為是分配到每個區域并記錄的一個特征。“招募”是指一個信道與其他信道在同一網絡社區的平均概率。每個區域內所有頻道的平均招聘被認為是分配給每個區域并記錄的一個特征。

每次手術共計算14個腦電特征。所有的腦電特征都是連續的，這里用中位數和四分位區間(Q1, Q3)來描述。采用隨機截距模型檢驗不同術者的術式評分差異。采用一般線性模型分析了外科醫生腦電特征與工作成績和注意力分散水平之間的關系。

03 實驗結果

表現評估：

142例手術的中位表現評分為12分，分位數區間為8 (Q1)-15 (Q3)。滿分(最佳表現)為19分，最低分(最差表現)為1分。142例手術的平均評分(標準差)為11.1±4.2分(沒有發現不同手術任務之間有任何差異(p = 0.58)。使用隨機截距模型來檢驗外科醫生之間的差異，結果顯示外科醫生之間沒有差異(p = 0.38)。單變量分析結果如表2所示。

表2 單變量分析結果表現與腦電特征之間的關系

腦電特征從單因素分析中選取，截斷值為p = 0.25。采用正向模型選擇方法檢測腦電特征對外科醫生績效評分的影響。在多元分析中，發現知覺過程相關區域的靈活性，以及認知過程相關區域的強度和招募與績效分數顯著相關，知覺過程相關領域的靈活性每增加0.1個單位，表現得分就會增加大約2.2個單位。認知過程相關區域的力量每增加10個單位，表現就會增加近1分。認知過程相關領域的招聘每增加0.1個單位，績效就會提高5個百分點。最終模型的結果如下表3所示。

表3.多元線性分析結果：RAS外科醫生表現相關的腦電特征

結果表明，RAS外科醫生的表現與從功能腦網絡檢索到的動態特征有關系。

干擾評估：

術中注意力分散可能是影響外科醫生工作表現評分的重要因素之一(Pearson相關系數= 0.37,p <0.0001)。分析了注意力分散及其與腦電特征的關聯，注意力分散是一個SURG-TLX指標，在每個手術任務結束時主觀評估，范圍為0-20分，其中0表示絕對沒有注意力分散，20定義為最大注意力分散。在142例手術中，有3個缺失值，總共記錄了139個分心評分。中位(Q1, Q3)分心評分為14(11,16)，平均分心評分為13.3，標準差為3.1。最小分散5次，最大分散19次。外科醫生之間無顯著差異(p-value = 0.17)。因為分心可能發生在任何手術中，所以在模型中，手術類型沒有被考慮為一個因素。繼續使用一般線性模型來檢測腦電特征和注意力分散之間的關系。腦電特征與分心評分的單因素分析結果如表4所示。

表4. 單因素分析結果（表示分心程度與腦電特征的關系）

多元結果顯示，感知過程相關區域的整合每增加0.1個單位，分心程度就會增加1.9個單位。

知覺過程相關區域的招募增加0.1個單位，分心值降低1.2個點。其他腦電特征未發現與注意力分散有顯著相關，如表5所示。

表5. 多元線性分析結果（代表與RAS外科醫生分心水平相關的腦電特征）

04 結論

在本研究中，發現使用RAS從外科醫生的功能腦網絡中提取的動態特征可以用來評估手術表現和注意力分散。

05 文獻名稱及DOI號

Shafiei, S. B. ,  Jing, Z. ,  Attwood, K. ,  Iqbal, U. , &  Guru, K. . (2021). Association between functional brain network metrics and surgeon performance and distraction in the operating room. Brain Sciences, 11(4), 468.

DOI：10.3390/brainsci11040468