ROBOT ASSISTED VERSUS LAPAROSCOPIC SUTURING LEARNING CURVE IN A SIMULATED SETTING
AbstractBackground. Compared to conventional laparoscopy, robot assisted surgery is expected to have most potential in difficult areas and demanding technical skills like minimally invasive suturing. This study was performed to identify the differences in the learning curves of laparoscopic versus robot assisted suturing.
Method. Novice participants performed three suturing tasks on the EoSim laparoscopic augmented reality simulator or the RobotiX robot assisted virtual reality simulator. Each participant performed an intracorporeal suturing task, a tilted plane needle transfer task and an anastomosis needle transfer task. To complete the learning curve, all tasks were repeated up to twenty repetitions or until a time plateau was reached. Clinically relevant and comparable parameters regarding time, movements and safety were recorded. Intracorporeal suturing time and cumulative sum analysis was used to compare the learning curves and phases.
Results. Seventeen participants completed the learning curve laparoscopically and 30 robot assisted. Median first knot suturing time was 611 s (s) for laparoscopic versus 251 s for robot assisted (p<0.001), and this was 324 s versus 165 (6th knot, p<0.001) and 257 s and 149 s (eleventh knot, p<0.001) respectively on base of the found learning phases. The percentage of ‘adequate surgical knots’ was higher in the laparoscopic than in the robot assisted group. First knot: 71% versus 60%, sixth knot: 100% versus 83%, and eleventh knot: 100% versus 73%. When assessing the ‘instrument out of view’ parameter, the robot assisted group scored a median of 0% after repetition four. In the laparoscopic group, the instrument out of view increased from 3.1 to 3.9% (left) and from 3.0 to 4.1% (right) between the first and eleventh knot (p>0.05).
Conclusion. The learning curve of minimally invasive suturing shows a shorter task time curve using robotic assistance compared to the laparoscopic curve. However, laparoscopic outcomes show good end results with rapid outcome improvement.
Keywords:laparoscopy training, simulation, robotics training, learning curve
Постоянно увеличивающаяся скорость разработки и внедрения в практику хирургических инноваций оказывает на хирургов небывалое давление, вынуждая их повышать свой технический уровень овладения подобными навыками [1]. Кривая обучения представляет собой тот объем практических тренировок, который необходим хирургу для достижения компетентности в проведении новой процедуры. Длительность кривой обучения, необходимая для достижения определенного результата, зависит от того, какие именно конечные результаты будут рассматриваться [2]. Можно ожидать, что в начальной фазе обучения обучающемуся потребуется больше времени для выполнения заданий, общий результат будет несколько хуже, а частота осложнений, вероятно, будет более высокой [1, 3-5]. Навыки, необходимые для выполнения малоинвазивных хирургических вмешательств, сильно отличаются от тех, которые нужны при выполнении хирургических вмешательств открытым способом, а с момента внедрения в практику роботизированной хирургии к первым добавился еще один дополнительный набор технических навыков. Каждой новой хирургической методике и процедуре соответствует свой курс обучения. Более того, возможен даже связанный с необходимостью обучения риск развития тяжелых осложнений [4]. Ожидается, что при использовании методик роботизированной хирургии кривая обучения будет короче, чем с помощью лапароскопических методов, что обусловлено возможностью совершения интуитивных движений в запястье и обеспечением трехмерного визуального обзора [1]. Кроме того, нет стандартизированных методов количественной оценки хирургических навыков, которые определяют уровень профессионализма. Использование одного параметра, например времени выполнения задания, представляет собой слишком упрощенный подход, так как при этом не учитываются осложнения или те результаты, которые зависят от пациента [10]. Поэтому рекомендуется использовать многофакторную оценку, которая будет включать необходимость оценки обратной связи от симулятора с помощью объективных оценочных параметров, в том числе параметров безопасности, что позволит определить качество и прогресс в достижении навыков на основе компетентности и полученных результатов [1, 11-13].
До настоящего времени было проведено лишь несколько исследований, в которых сравнивали графики кривой обучения с использованием лапароскопической и роботизированной методик. Результаты одного исследования показали, что использование роботизированного способа позволило обучающимся достичь преимуществ по времени, дистанции, плавности и точности выполнения заданий [1]. В ходе другого исследования, где сравнивали результаты наложения 3 швов новичками на модели лабораторного животного (свиньи) с помощью лапароскопической и роботизированной методик, был установлен более высокий уровень функциональности роботизированной методики в целом [6]. При сравнении с лапароскопическим методом разность полученных результатов по времени выполнения заданий, количеству ошибок, количеству повреждений и трудоемкости была статистически значимой. Результаты более позднего исследования свидетельствовали, что при выполнении задания по вырезанию шаблона новички, использующие лапароскопическую методику, совершают больше ошибок, чем те, кто пользовался роботизированным методом. Однако статистически значимых различий по времени выполнения задания при этом не выявлено [7].
В ходе большинства исследований проводили сравнение выполнения заданий, начиная от базовых и заканчивая наложением интракорпоральных швов. Однако, как утверждается, роботизированное наложение швов дает особенные преимущества при выполнении сложных хирургических процедур, например, при формировании кишечных анастомозов интракорпорально [8, 9]. Поэтому основное внимание данного исследования сконцентрировано на выполнении таких сложных задач по ушиванию менее опытными хирургами, благодаря комплексному потенциалу роботизированной хирургии [9]. Цель данного исследования - с помощью множественных оценочных параметров определить, позволяет ли использование роботизированной методики в условиях симулятора сократить кривую обучения навыкам наложения сложных швов и уменьшить число сопутствующих повреждений по сравнению с применением традиционной лапароскопической методики.
Методы
Участники
Исследование проводили на базе Медицинского центра Университета Радбуда в Неймегене (Нидерланды). К участию в исследовании привлекали обучающихся с базовым пониманием концепции малоинвазивной хирургии (эндоскопической или роботизированной), поэтому набор участников проводили среди обучающихся интернов и клинических ординаторов. Участников набирали на добровольной основе, по объявлению, распределение по группам происходило случайным образом, с учетом доступности симулятора и хирургического опыта участника, без стратификации. Участников, которые уже прошли обучение или имели клинический опыт применения лапароскопических методов, но ранее не работали с роботизированными методиками, распределяли только в группу роботизированной хирургии.
Для проведения данного исследования не требовалось одобрения этического комитета, так как оно проводилось в немедицинских условиях и при добровольном участии.
Симуляторы
Лапароскопический симулятор eoSim
Для обучения в группе лапароскопической методики использовали симулятор дополненной реальности eoSim (Eosurgical ltd., Эдинбург, Шотландия, Великобритания) (рис. 1). Этот симулятор был выбран благодаря возможности объективной записи параметров без привлечения виртуальной реальности и, как следствие, реалистичной обратной связи на прилагаемое к инструменту усилие. Симулятор eoSim состоит из валидированного коробочного тренажера с ноутбуком и прилагаемым к нему программным обеспечением, которое позволяет направлять действия обучающегося и отслеживать положение кончиков инструментов (дополненная реальность) [14-17]. Для выполнения всех трех заданий использовали стандартные иглодержатели, которые входят в комплект поставки. Рабочую высоту устройства еoSim регулировали индивидуально под каждого участника, а регулируемое стандартное положение ноутбука подбирали таким образом, чтобы экран находился на уровне глаз. Входящее в комплект поставки программное обеспечение Surgtrac позволяет отслеживать положение инструментов с помощью цветовой маркировки, которая нанесена на наконечники инструментов (синий цвет для левой руки и красный цвет - для правой). С помощью программного обеспечения отслеживали такие параметры, как "время", "дистанция", "рабочее пространство" (средняя дистанция между инструментами) и нахождение "вне экрана" (определения параметров даны в табл. 1). После выполнения каждого задания исследователь определял такие дополнительные показатели, как "состоятельность узла" и "отклонение от намеченной цели".
)
)
Роботизированный хирургический симулятор RobotiX
Роботизированный хирургический симулятор виртуальной реальности RobotiX использовался в группе роботизированной методики в стандартной комплектации (3D-systems Inc., Кливленд, Огайо) (рис. 2) [18-25]. Симулятор состоит из главной консоли для обучающегося и башенного компонента, в состав которого входит прилагаемый компьютер для контроля выполнения задания. Систему можно было отрегулировать по высоте и ширине стереоскопического 3D-экрана, а также подогнать ремни основных контроллеров в соответствии с предпочтениями участника. Прилагаемое программное обеспечение "Mentorlearn" представляет собой действующую на интернет-основе программу для управления учебным планом для симулятора, который позволяет создать аккаунт конкретного пользователя, поэтому созданный для данного исследования учебный план можно назначить конкретному пользователю и отслеживать его успехи. При выполнении каждого задания система записывает множество параметров, касающихся таких показателей, как "время", "движение" и "безопасность", которые указаны в табл. 1. В этом исследовании использовали систему RobotiX, так как система виртуальной реальности позволяет проводить обучение вне операционной и без использования дорогостоящей системы DaVinci.
)
Задания
Задания, которые выполняли участники данного исследования, были выбраны с учетом разных аспектов, необходимых при наложении сложных швов. Задание 1 заключалось в наложении интракорпоральных швов, причем основной упор делался на наложение швов и завязывание узлов. "Железнодорожный путь" (задание 2) представлял собой задание по непрерывной передаче иглы в качающейся плоскости. Ушивание культи влагалища (задание 3) - задание по передаче иглы в анастомозе при ушивании культи влагалища самофиксирующимися лигатурами. Лапароскопические задания 2 и 3 для симулятора еoSim были разработаны исследователями и валидированы во время предыдущего исследования [17]. Конкретное описание заданий приведено в разделе "Результаты" по этому исследованию.
Протокол
После набора все участники заполняли опросник, где сообщали свои демографические данные, указывали опыт хирургической деятельности и давали согласие на участие в исследовании. После этого их инструктировали, как пользоваться симулятором еoSim или симулятором RobotiX. Тех участников, которые работали с симулятором RobotiX, просили не использовать функцию камеры, так как в симуляторе еoSim подобная функция отсутствовала. Таким образом, чтобы ознакомиться с системой, участники выполняли 2 базовых вводных задания, после чего могли переходить к многократному выполнению трех заданий по наложению швов. Участники могли проходить тренировки под руководством одного из исследователей в течение нескольких учебных сеансов, продолжительность каждого не превышала 1 ч, чтобы избежать утомления. Исследователь записывал значения параметров, количество повторений, подсчитывал значения тех параметров, которые не определяло устройство еoSim, например параметр "состоятельность узла".
Курс, обучающий выполнению задания 1, считался завершенным после того, как задание было выполнено 20 раз, или после того, как были получены 3 приблизительно одинаковые оценки качества выполнения задания подряд, что соответствовало фазе плато. Количество повторений было определено по результатам предыдущего исследования, проведенного S.M. Botden и соавт., где курс обучения навыкам лапароскопического наложения швов осваивался за 15 повторений [5]. Учитывая количество повторений, визуальное сходство и сопоставимость результатов, задание 1 было выбрано в качестве основного для определения длительности курса обучения. Задание 2 считалось пройденным после выполнения трех повторений на симуляторе RobotiX (каждое повторение подразумевало передачу иглы 5 раз). На симуляторе еoSim задание 2 считалось пройденным после 15 повторений или после 3 приблизительно одинаковых оценок качества выполнения подряд. Задание с передачей иглы в анастомозе на обоих симуляторах считалось пройденным после выполнения 3 повторений.
Анализ данных
Анализ мощности (β=0,2 и α=0,05) показал, что для достижения разницы в 100 с в конце курса обучения навыкам наложения швов необходимо, чтобы в каждой группе было не меньше 16 участников. Данные из обеих систем извлекали и сортировали в соответствии с идентификационными номерами участников. Затем полученную информацию комбинировали в базах данных с соответствующей информацией, полученной с помощью опросников, используя для этого программу статистической обработки Statistical Package for Social Sciences (SPSS), версия 22 (IBM Corp., Эрмонк, Нью-Йорк). Учитывая асимметричность данных, для расчета значений р использовали непараметрический анализ. Значения p<0,05 считали статистически значимыми. Для дальнейшего анализа длительности графика кривой обучения использовали анализ накопленных сумм (cumulative sum, CUSUM). Метод CUSUM, который мы использовали в данном исследовании, применялся в других исследованиях кривой обучения для изучения фаз обучения в рамках курса. Этот метод позволяет преобразовать исходные данные в промежуточную сумму отклонений данных от их средних значений в группе, что дает исследователю возможность визуализировать данные для определения тенденций, не различимых при использовании других подходов. Важным преимуществом метода анализа CUSUM является возможность идентифицировать слабые и медленные изменения, которые в другом случае были бы не видны при изучении графика кривой обучения навыкам роботизированной хирургии [10, 11]. И наконец, был проведен дополнительный анализ различий между новичками и имевшими опыт лапароскопических вмешательств участниками, которые использовали роботизированную методику; этот анализ позволял определить влияние опыта лапароскопических вмешательств на результаты освоения курса обучения роботизированным навыкам.
Результаты
Демографические характеристики
Всего в исследовании приняли участие 47 человек, 17 из них прошли курс обучения с помощью лапароскопической методики, а 30 - с помощью роботизированной методики. Средний возраст участников составлял 23 года в группе лапароскопической методики и 30 лет в группе роботизированной методики. Соотношение мужчин и женщин составляло 35:65 и 43:57, а количество правшей составляло 94 и 87% в группе лапароскопической методики и в группе роботизированной методики соответственно. В группу лапароскопической методики входили только врачи-интерны, так как участники этой группы не должны были иметь опыта проведения лапароскопических вмешательств. Благодаря наличию опыта проведения лапароскопических вмешательств в группе роботизированной методики, в ней было больше участников, что позволило потом провести дополнительный анализ. Поэтому в состав группы роботизированной методики входили 13 врачей-интернов и 17 участников с опытом проведения лапароскопических вмешательств, 13 из них были клиническими ординаторами, а 4 - хирургами-специалистами, но ни у одного из них не было опыта проведения роботизированных вмешательств.
Прогрессия графика кривой обучения
Длительность курса обучения участников в обеих группах определяли на основе задания 1. В группе лапароскопической методики 9 участников завязали по 20 узлов и все участники завязали как минимум по 14 узлов. В группе роботизированной методики 21 участник прошел полный курс тренировки и все участники завязали как минимум по 19 узлов. Что касается задания 2, два участника из группы лапароскопической методики не смогли завершить последний прогон (повторения 11-15) из-за ограниченного количества времени в рамках исследования. Данные, которые были собраны во время выполнения ими предыдущих повторений, были включены в анализ, чтобы не отклоняться от методики анализа данных всех рандомизированных участников и избежать возможных систематических ошибок. Сходную процедуру использовали и в случае задания 3, которое один участник из группы лапароскопической методики не смог выполнить во всех трех повторениях.
References
1. Chandra V., Nehra D., Parent R., Woo R., Reyes R., Hernandez-Boussard T., et al. A comparison of laparoscopic and robotic assisted suturing performance by experts and novices. Surgery. 2010; 147: 830-9.
2. Mazzon G., Sridhar A., Busuttil G., Thompson J., Nathan S., Briggs T., et al. Learning curves for robotic surgery: a review of the recent literature. Curr Urol Rep. 2017; 18: 89.
3. Khan R., Plahouras J., Johnston B.C., Scaffidi M.A., Grover S.C., Walsh C.M. Virtual reality simulation training in endoscopy: a Cochrane review and meta-analysis. Endoscopy. 2019; 51 (07): 653-64. https://doi.org/10.1055/a-0894-4400
4. Claassen L., van Workum F., Rosman C. Learning curve and postoperative outcomes of minimally invasive esophagectomy. J Thorac Dis. 2019; 11: S777-s785.
5. Botden S.M., de Hingh I.H., Jakimowicz J.J. Suturing training in augmented reality: gaining proficiency in suturing skills faster. Surg Endosc. 2009; 23: 2131-37.
6. Stefanidis D., Wang F., Korndorffer J.R., Dunne J.B., Scott D.J. Robotic assistance improves intracorporeal suturing performance and safety in the operating room while decreasing operator workload. Surg Endosc. 2010; 24: 377-82.
7. Zihni A., Gerull W.D., Cavallo J.A., Ge T., Ray S., Chiu J., et al. Comparison of precision and speed in laparoscopic and robot-assisted surgical task performance. J Surg Res. 2018; 223: 29-33.
8. Marecik S.J., Chaudhry V., Jan A., Pearl R.K., Park J.J., Prasad L.M. A comparison of robotic, laparoscopic, and hand-sewn intestinal sutured anastomoses performed by residents. Am J Surg. 2007; 193: 349-55.
9. Passerotti C.C., Franco F., Bissoli J.C.C., Tiseo B., Oliveira C.M., Buchalla C.A.O., et al. Comparison of the learning curves and frustration level in performing laparoscopic and robotic training skills by experts and novices. Int Urol Nephrol. 2015; 47: 1075-84.
10. Kassite I., Bejan-Angoulvant T., Lardy H., Binet A. A systematic review of the learning curve in robotic surgery: range and heterogeneity. Surg Endosc. 2019; 33: 353-65.
11. Pernar L.I.M., Robertson F.C., Tavakkoli A., Sheu E.G., Brooks D.C., Smink D.S. An appraisal of the learning curve in robotic general surgery. Surg Endosc. 2017; 31: 4583-96.
12. Barrie J., Jayne D.G., Wright J., Murray C.J., Collinson F.J., Pavitt S.H. Attaining surgical competency and its implications in surgical clinical trial design: a systematic review of the learning curve in laparoscopic and robot-assisted laparoscopic colorectal cancer surgery. Ann Surg Oncol. 2014; 21: 829-40.
13. Darzi A., Smith S., Taffinder N. Assessing operative skill. Needs to become more objective. BMJ (Clin Res ed). 1999; 318: 887-8.
14. Retrosi G., Cundy T., Haddad M., Clarke S. Motion analysis-based skills training and assessment in pediatric laparoscopy: construct, concurrent, and content validity for the eoSim simulator. J Laparoendosc Adv Surg Tech A. 2015; 25: 944-50.
15. Partridge R.W., Hughes M.A., Brennan P.M., Hennessey I.A. Accessible laparoscopic instrument tracking (“InsTrac”): construct validity in a take-home box simulator. J Laparoendosc Adv Surg Tech A. 2014; 24: 578-83.
16. Hennessey I.A., Hewett P. Construct, concurrent, and content validity of the eoSim laparoscopic simulator. J Laparoendosc Adv Surg Tech A. 2013; 23: 855-60.
17. Leijte E., Arts E., Witteman B., Jakimowicz J., De Blaauw I., Botden S. Construct, content and face validity of the eoSim laparoscopic simulator on advanced suturing tasks. Surg Endosc. 2019; 33 (11): 3635-43. https://doi.org/10.1007/s00464-018-06652-3
18. Hovgaard L.H., Andersen S.A.W., Konge L., Dalsgaard T., Larsen C.R. Validity evidence for procedural competency in virtual reality robotic simulation, establishing a credible pass/fail standard for the vaginal cuff closure procedure. Surg Endosc. 2018; 32: 4200-8.
19. Omar I., Dilley J., Pucher P., Pratt P., Ameen T., Vale J., Darzi A., Mayer E. The robotix simulator: face and content validation using the fundamentals of robotic surgery(FRS)curriculum. J Urol. 2017; 197: e700-e701.
20. Amirian M.J., Lindner S.M., Trabulsi E.J., Lallas C.D. Surgical suturing training with virtual reality simulation versus dry lab practice: an evaluation of performance improvement, content, and face validity. J Robot Surg. 2014; 8: 329-35.
21. Hertz A.M., George E.I., Vaccaro C.M., Brand T.C. Head-to-head comparison of three virtual-reality robotic surgery simulators. JSLS. 2018; 22 (e2017): 00081.
22. Harrison P., Raison N., Abe T., Watkinson W., Dar F., Challacombe B., et al. The validation of a novel robot-assisted radical prostatectomy virtual reality module. J Surg Educ. 2018; 75: 758-66.
23. Whittaker G., Aydin A., Raison N., Kum F., Challacombe B., Khan M.S., Dasgupta P., Ahmed K. Validation of the robotiX mentor robotic surgery simulator. J Endourol. 2016; 30: 338-46.
24. Tanaka A., Graddy C., Simpson K., Perez M., Truong M., Smith R. Robotic surgery simulation validity and usability comparative analysis. Surg Endosc. 2016; 30: 3720-9.
25. Watkinson W., Raison N., Abe T., Harrison P., Khan S., Van der Poel H., Dasgupta P., Ahmed K. Establishing objective benchmarks in robotic virtual reality simulation at the level of a competent surgeon using the RobotiX mentor simulator. Postgrad Med J. 2018; 94: 270-7.
26. Botden S.M., Buzink S.N., Schijven M.P., Jakimowicz J.J. Augmented versus virtual reality laparoscopic simulation: what is the difference? A comparison of the ProMIS augmented reality laparoscopic simulator versus LapSim virtual reality laparoscopic simulator. World J Surg. 2007; 31: 764-72.
All articles in our journal are distributed under the CC BY-NC-ND 4.0 (Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International)