Valutazione della curva di apprendimento per ottimizzare la precisione e l’accuratezza del modello virtuale 3D nella nefrectomia parziale robot-assistita

Abstract

I modelli 3D sono stati introdotti come mezzi per migliorare la precisione del chirurgo negli interventi di nefrectomia parziale robot-assistita (RAPN). Si sono dimostrati in grado di fornire accurati dettagli anatomici e di migliorare i tempi operatori e la sicurezza del paziente riducendo le complicanze. Negli ultimi anni sono stati sviluppati e proposti diversi modelli utili. Tuttavia, la letteratura risulta ancora limitata per quanto concerne l’eventuale influenza dell’esperienza dell’operatore e della relativa curva di apprendimento sull’accuratezza e la precisione del modello. Alla luce di ciò, l’obiettivo di questo studio è quello di valutare l’accuratezza, la variabilità interindividuale della precisione e la curva di apprendimento per la segmentazione dei modelli 3D preoperatori a partire da immagini TC. Questo studio si propone di identificare l’influenza dell’esperienza dell’operatore e delle curve di apprendimento sull’accuratezza dei modelli preoperatori 3D nella nefrectomia parziale robot-assistita (RAPN), al fine di ottimizzare i flussi di lavoro e favorirne una più ampia adozione clinica.

3D models have been introduced as tools to improve surgeon's precision during Robotic-Assisted Partial Nephrectomy (RAPN). They showed to provide accurate anatomical details, improve operative time and patient safety by reducing complications. Over the last years, several useful models have been developed and proposed. However, literature is still scant regarding if and how the experience of the operator, and the learning curve, may impact the accuracy and precision of the model. In this light, the aim of the study is to evaluate the accuracy, the interpersonal variability of the precision and the learning curve for the segmentation of RAPN 3D preoperative models starting from CT images. This study will identify the influence of operator experience and learning curves on the accuracy of 3D preoperative models in RAPN, optimizing workflows for broader clinical adoption.