Thèse Année : 2020

Modelling the Quality of Surgical Gestures in Laparoscopy

Modélisation de la Qualité de Gestes Chirurgicaux Laparosopiques

Résumé

The practice of laparoscopy is getting more and more common in the daily routine of various surgical specialties. This technique offers great advantages for the patient, regarding potential complications as well as the ambulatory time. It is however a very challenging practice for the surgeon, with its own problematics and difficulties related to instruments manipulation and surgical space management for example. A better understanding of the surgical gestures in laparoscopy would bring new tools for the formation of residents and young surgeons. In this work, our objective is to develop and validate a data science approach to explain key aspects of the practice of surgical gestures in a clinically meaningful way. An important work of knowledge elicitation and modelling was performed together with an expert surgeon to constitute a satisfying understanding of the clinical context. We then developed an algorithmic methodology to predict the quality of surgical gestures as well as the surgeon practicing. Finally, throughout the data analysis of the quality and profile of surgical gestures, we studied and validated clinically some new elements of clinical knowledge. We worked on a cohort of 30 patients operated by Sleeve Gastrectomy in the department of digestive surgery of the Grenoble CHU. Sleeve Gastrectomy is a surgical treatment against morbid obesity. With the help of our surgeon partner, we formalized the important aspects of this technique. For each surgery of the cohort, we performed three video annotations : a procedural annotation of the surgeon hands’ actions, an evaluation of the quality of exposure in the surgical scene for each activity of dissection performed by the surgeon, and a pixel-wise segmentation of each image associated with an evaluated dissection activity. Based on the procedural annotation and the segmentation, we computed a set of metrics characterizing the surgeon’s gestures and surgical scene. Then we developed an algorithm to predict the quality of exposure with these metrics as input data.We also developed a cross validation environment dedicated to the optimization of the hyper parameters of our algorithm, in order to maximize its prediction performances. This cross validation environment helped us to deal with the specificities of our dataset and its related bias. Our third and final study focused on the conception of a methodology to confront our surgical data science approach with the clinical expertise of surgeons. To this end, we first extracted the most important variables for our prediction task, and we translated information resulting from these important variables into utterances with clinical meanings.We illustrated each of these statements with video clips extracted from videos in our dataset. Based on these statements and their associated clips, we constructed a validation survey and submitted it to surgeons. Results of these submissions expressing the surgeons’ opinions allowed us to clinically validate our approach, and to assess its relevance. To conclude, we proposed a methodology of surgical data analysis to explicit the relationships between visual and procedural information and some clinical criteria for some laparoscopic surgeries. A better understanding of these relationships would allow, in the long run, to propose some supporting tools for the formation of surgeons.
La chirurgie laparoscopique est une pratique de plus en plus communément utilisée dans différentes spécialités chirurgicales, du fait des grands avantages pour le patient en termes de complications et de temps d’hospitalisation. En revanche, cette pratique est très différente de la chirurgie dite « ouverte », et présente ses propres difficultés, notamment dans la manipulation des instruments chirurgicaux, et la maîtrise de l’espace opératoire. Une meilleure compréhension du geste chirurgical en laparoscopie permettrait d’améliorer les outils utilisés pour la formation des jeunes chirurgiens. L’objectif de ce travail était de développer et valider une méthode visant à expliquer certains aspects clés de la pratique du geste chirurgical en termes cliniques, à partir d’une approche algorithmique. La compréhension du contexte clinique de cette thèse étant essentielle, un important travail d’explicitation et de formalisation des connaissances du chirurgien a été effectué. La deuxième partie de ce travail a consisté à développer une méthode algorithmique visant à prédire la qualité du geste chirurgical et le chirurgien pratiquant. Enfin à travers l’analyse de données décrivant la qualité et la pratique du geste chirurgical, nous avons étudié et validé la pertinence clinique de nouveaux éléments de connaissances cliniques. Nous avons travaillé sur une cohorte de 30 patients opérés par gastrectomie longitudinale au sein du département de chirurgie digestive du CHU de Grenoble. Grâce à une réflexion commune avec notre partenaire chirurgien, nous avons pu formaliser les notions importantes de cette procédure chirurgicale. Pour chacune des chirurgies de la cohorte, nous avons effectué trois annotations distinctes : une annotation de la procédure et des actions des mains du chirurgien, une évaluation de la qualité d’exposition de la scène chirurgicale à chaque geste de dissection effectué par le chirurgien, et enfin la segmentation complète de l’image associée à chacun des gestes de dissection évalués. L’annotation de la procédure et la segmentation ont rendu possible l’extraction de métriques caractéristiques du geste et de la scène chirurgicale. Ensuite, nous avons développé un algorithme dont l’objectif était la prédiction de la qualité d’exposition à partir des métriques. Nous avons également développé un environnement dédié à l’optimisation des hyper-paramètres de notre algorithme pour maximiser les performances en prédiction. L’intérêt de cet environnement était notamment de gérer les spécificités de notre jeu de données. Dans un troisième temps, nous avons mis en place une méthode permettant de confronter l’analyse algorithmique quantitative de nos données à l’expertise clinique des chirurgiens ayant effectué les chirurgies. Pour ce faire, nous avons d’abord extrait les variables les plus importantes pour notre tâche de prédiction. Puis nous avons traduit l’information portée par ces variables sous forme d’énoncés présentant une signification clinique. Enfin nous avons extrait des échantillons vidéos représentatifs de chacun de ces énoncés. A partir de ces énoncés accompagnés de leurs échantillons vidéos, nous avons pu construire un questionnaire de validation, et le présenter à nos partenaires chirurgiens. Nous avons ainsi mené une validation clinique visant à recueillir leur avis quant à la pertinence clinique de notre approche. Nous avons donc proposé une méthode d’analyse quantitative explicitant le lien entre des observations visuelles et temporelles et des critères cliniques relatifs à des chirurgies laparoscopiques. Une meilleure compréhension de ces liens permettrait, à terme, de proposer des systèmes d’aide à la formation des chirurgiens sur cette pratique complexe.
Fichier principal
Vignette du fichier
manuscrit.pdf (20.16 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-04901869 , version 1 (20-01-2025)

Identifiants

Citer

Arthur Derathé. Modélisation de la Qualité de Gestes Chirurgicaux Laparosopiques. Intelligence artificielle [cs.AI]. Université Grenoble - Alpes, 2020. Français. ⟨NNT : 2020GRALS021⟩. ⟨tel-04901869⟩
0 Consultations
0 Téléchargements

Partager

More