L'uso di machine learning per prevenire e prevenire i guasti robotizzati in chirurgia

Tuttavia, come con qualsiasi sistema elettromeccanico sofisticato, sistemi chirurgici robotici sono vulnerabili a guasti tecnici che possono interrompere operazioni, compromettere la sicurezza dei pazienti e aumentare i costi sanitari. L'integrazione di machine learning (ML) in robotica chirurgica offre una strategia proattiva: monitorando continuamente i dati del sistema, identificando i risultati di chirurgia sottile e predisponendo i guasti di pianificazione.

La complessità e le modalità di fallimento dei moderni sistemi robotizzati chirurgici

Piattaforme chirurgiche robotiche di oggi, come il sistema chirurgico da Vinci, Mazor X per le procedure spinali, e il sistema ROSA per la neurochirurgia—combinare braccia meccaniche, effettivi finali, telecamere, console di controllo e software che devono lavorare in perfetta sincronismo. Anche deviazioni minori in encoder congiunti, coppia motore o risposta attuatore possono portare a errori posizionali o movimenti inaspettati.

Secondo il database di FDA’s Manufacturer and User Facility Device Experience (MAUDE), i rapporti di guasti del sistema chirurgico robotico sono aumentati quando l’adozione è cresciuta. Mentre molti incidenti sono minori, un sottoinsieme porta alla conversione di procedura, alla lesione o alla chirurgia prolungata.

Fondamenti di apprendimento automatico per la manutenzione preventiva in robotica chirurgica

La manutenzione predittiva (PdM) sfrutta i dati storici e in tempo reale per prevedere quando un componente è probabile che fallisca. I metodi di apprendimento automatico sono particolarmente adatti per questo dominio perché possono imparare relazioni complesse e non lineari da flussi di sensori multi-modali senza richiedere modelli fisici espliciti.

Tre famiglie di algoritmi di machine learning sono ampiamente utilizzati in questo contesto:

Modelli di rilevamento di anomalie

Gli autoencoders, le macchine vettoriali di supporto di una classe e le foreste di isolamento imparano un modello di comportamento "normale" durante centinaia di ore di funzionamento ineventabile. Quando una nuova osservazione devia significativamente dal collettore imparato, viene attivato un avviso. Ad esempio, un punto improvviso in corrente congiunta che non correla con il movimento comandato può indicare un cuscinetto sequestrato.

Previsioni della serie temporale

Con il confronto dei valori predetti alle letture effettive, il sistema può rilevare la degrado delle prestazioni che si evolve nel corso di ore o giorni, come l'aumento graduale della temperatura di avvolgimento del motore a causa dell'accumulo di polvere nel ventilatore di raffreddamento.

Classificazione e Regressione per la vita utile rimanente

Quando sono disponibili dati di guasto etichettati (da test di banco o da record di servizio), modelli supervisionati stimano la vita utile rimanente (RUL) in ore o cicli. Le foreste casuali, alberi gradienti-boosted e reti di alimentazione-forward sono scelte comuni. L'output consente di pianificare in anticipo i giorni di pianificazione di manutenzione, evitando riparazioni di emergenza che arrestano i programmi chirurgici.

Real-World Attuazioni e Ripartizioni di Ricerca

Rilevamento di guasti predittivi nei sistemi da Vinci

I ricercatori dell’Università di Lussemburgo e gli ospedali collaboranti hanno strumentato sistemi da Vinci Si con sensori aggiuntivi e implementato un sistema di rilevamento dell’anomalia in tempo reale. Utilizzando le serie multivariate di codificatori congiunti e di controllo delle coppie, un autoencoder LSTM raggiunge la precisione del 94% nel prevedere guasti fino a 30 secondi prima che interrompino una procedura.

Diagnosi di guasto a vibrazione per braccioli strumenti

Uno studio pubblicato in IEEE Transazioni su Robotica Medica e Bionics[[]] ([[]2019)]) ha usato una rete neurale convoluzionale sugli spettrogrammi di vibrazione raccolti dai polsi di un robot chirurgico personalizzato. Il modello si distingue tra cuscinetti sani, cuscinetti graffiati e strumenti disconfigurazione del 97%.

Controllo adattivo per compensare le degradazioni di livello inferiore

Piuttosto che predire solo i guasti, alcune ricerche esplorano l’utilizzo di un’apprendimento del rinforzo (RL) per adattare i parametri di controllo del robot in risposta a un sottile usura meccanica, ad esempio aumentando il guadagno della coppia per compensare una cintura leggermente allentata.

Sfide nell'integrazione clinica dell'apprendimento della macchina per la prevenzione del fallimento

Nonostante i risultati promettenti, l'implementazione di una manutenzione predittiva basata su ML in ambienti chirurgici vivi rimane difficile.

Qualità e Etichettatura dei dati

La maggior parte degli ospedali non raccolgono la telemetria ad alta risoluzione per impostazione predefinita, e i registri esistenti sono spesso incompleti o rumorosi. La generazione di dati sintetici e l'apprendimento di trasferimento da simulazioni possono aiutare, ma più standard di settore per la raccolta di dati sono necessari. La FDA e la Associazione per l'avanzamento della sorveglianza medica dell'apparecchiatura (AAMI][

Esecuzione e sicurezza

Qualsiasi algoritmo predittivo che influenza il flusso di lavoro clinico, come strumento di supporto decisionale o un meccanismo di arresto automatico, è considerato un software come un dispositivo medico (SaMD) e richiede una validazione rigorosa. Il FDA[[]] si aspetta la prova di beneficio clinico, non solo l'accuratezza tecnica.

Integrazione del flusso di lavoro e della fiducia di chirurghi

Chirurghi e personale della sala operatoria hanno bisogno di una visualizzazione chiara e non dirompente dello stato di salute del robot. I falsi positivi emettono fiducia; i falsi negativi possono essere catastrofici. Progettare un'interfaccia che avvisa “la manutenzione raccomandata dopo il caso di oggi” contro “la chirurgia di arresto immediatamente” richiede un'attenta ingegneria dei fattori umani.

Direzioni future: Robot chirurgici intelligenti, auto-riscaldanti

Inferenza di calcolo del bordo e del dispositivo on-Device

I modelli ML in esecuzione sui processori incorporati del robot riducono la latenza ed eliminano l'affidabilità della rete ospedaliera. I nuovi design system-on-chip con unità di elaborazione neurale (NPU) possono eseguire rilevatori di anomalia leggeri in tempo reale. Questa tendenza consentirà il monitoraggio della salute a ciclo chiuso senza un carrello computer separato, semplificando l'adozione nelle sale operative esistenti.

Apprendimento di rinforzo per la compensazione in tempo reale

Come discusso in precedenza, RL mantiene la promessa di controllo adattativo che mantiene la sicurezza anche come degrada hardware. Il lavoro futuro mira a formare politiche che ottimizzano simultaneamente l'accuratezza chirurgica e la longevità dei componenti, rendendo essenziale il robot "feel" parti usurate e regolare il suo movimento di conseguenza senza richiedere previsioni di guasto esplicite.

Dati sull'apprendimento e sulla salute condivisi

L'apprendimento federato consente di formare modelli in diverse istituzioni senza spostare i dati grezzi. Consorzi come l'iniziativa Intelligent Robotics in Surgery[ stanno esplorando questo approccio per costruire modelli di prevenzione dei guasti che generalizzano oltre un unico sito. Combinati con formati standardizzati di telemetria, questo potrebbe accelerare notevolmente la disponibilità di modelli previsionali.

Conclusioni

L'apprendimento automatico offre un potente mezzo per rilevare e prevenire ancora, le difficoltà nella chirurgia robotica, passando dalla risoluzione dei problemi reattivi alla manutenzione proattiva e al controllo adattativo.