脑功能网络指标与手术室外科医生表现和注意力分散之间的关系

1.研究背景

与传统的手术框架相比，机器人辅助手术(RAS)提供了一些优势，如改进了手术的三维性，放大了工作区域的图像，以及提高了灵活性。虽然RAS的优势得到了认可，但机器人用户界面的局限性和陡峭的学习曲线是导致机器人辅助技术利用率较低的因素。即使在RAS应用的领域，如妇科和泌尿科，RAS的结果似乎主要与单个外科医生的专业水平相关。

本研究目的是检查EEG特征代表的动态变化的功能脑网络的外科见习医生，以及这些特征是否可以用来评估机器人辅助外科医生(RAS)的表现和分散在手术室的水平。

2.研究方法

2.1 被试

所有研究对象都是来自罗斯威尔公园综合癌症中心泌尿科的RAS外科研究员。

表1.人口统计数据

备注：RAS:机器人协助手术;或者:手术室

2.2 实验过程与数据分析

数据记录设置：利用128通道脑电图(EEG)耳机(ANT neuro inspiring technology, Inc, Hengelo, The Netherlands)以500个samples/s的频率，从手术室(ORs)的3名机器人外科医生收集EEG数据。记录了119个脑区的EEG数据，包括额叶(2通道)、前额叶(3通道)、中央(7通道)、颞叶(2通道)、顶叶(10通道)、枕叶(4通道)、额-中央(19通道)、额-颞叶(10通道)、顶-枕叶(17通道)、颞-顶叶(8通道)、和中央顶叶区(18个通道)。其余9个通道中，2个为置于乳突上的参考电极，7个电极(I1、Iz、I2、CPz、PO5、PO6、Oz)因信号质量不足而排除在本研究之外。

外科医生特点及评价：每个外科医生对手术专用的任务负荷指数(SURG-TLX)问卷进行主观评估，每个任务结束时导师对NASA任务负荷指数(NASA-TLX)问卷指标进行主观评估。SURG-TLX包括六个指标的多维评分：心理需求、身体需求、时间需求、任务复杂性、情境压力和分心。NASA-TLX指标包括精神需求、身体需求、时间需求、表现、努力和挫折。分析使用了导师给出的表现评分和外科医生给出的分心评分。SURG-TLX和NASA-TLX指标的规模为1-20，其中1最低，20最高。

外科任务：本研究的手术任务包括膀胱下降、清扫(淋巴结、膀胱颈、精囊、输尿管周围间隙、骨盆侧间隙、直肠前间隙、血管蒂和前列腺尖)、尿道-膀胱吻合和缝合。

大脑分成的系统：根据前人的研究工作，位于这些区域之上的大脑区域和相应的记录电极被标记为与运动、认知和感知相关的大脑区域。分析考虑了运动过程相关区域、认知过程相关区域和知觉过程相关区域。

图1 运动过程相关区域、认知过程相关区域和知觉过程相关区域的实验设置和EEG特征提取示意图

EEG信号处理：使用ANT Neuro的源分析(ASA)框架对脑电数据进行预处理。ASA框架通过空间滤波实现伪迹校正。根据地形图将脑信号从伪迹中分离出来，然后在不扭曲脑电信号的情况下去除伪迹。该方法使用两个标准确定哪些数据部分被认为是脑信号：第一个标准指定脑电信号的最高振幅范围，第二个标准指定脑信号和允许最大伪迹的最高相关性。然后，利用空间主成分分析(PCA)方法确定脑电信号伪迹。最后，将删除这些伪迹成分。采用0.2-250 Hz的带通滤波器对各通道的脑电图数据进行滤波，滤波陡度为24 dB/octave。基于盲源分离和基于地形分布的PCA方法进行脑电信号伪迹校正。对脑电数据的个别部分进行目视检查，以检查面部和肌肉活动伪迹和其他伪迹，然后采用空间拉普拉斯(SP)技术对信号进行特征提取。

大脑动态特征：大脑分成不同的区域，包括多个通道。这些通道构成了网络节点。通过相干分析，推导出网络连通性。利用相邻矩阵提取运动过程相关区域、认知过程相关区域和知觉过程相关区域的平均强度和平均搜索信息特征。

力量是指大脑各区域中各通道的总沟通权重。通过每次记录，每个区域的平均强度被考虑进行分析。

搜索信息是指在给定的一对节点之间沿着最短路径所需要的信息量(以Bit为单位)。计算每个区域内的通道特征，并考虑每个记录中每个区域的平均值。使用多层模块化最大化准则将每个相邻矩阵划分为社区(功能状态)，计算每个记录的每一秒。群体的表达是指分配给同一个群体的大脑区域之间的关系，分配给不同群体的大脑区域之间的联系的紧密程度。

每秒钟为每个通道分配的功能社区数据用于为每个记录提取纯净模块矩阵(MAM)。矩阵元素的值表明，在由构建的一组功能大脑网络中，两个通道可以被分配到同一个社区的概率利用MAM提取平均灵活性、整合性以及运动加工相关区域、认知加工相关区域和知觉加工相关区域的招募动态脑特征。

网络灵活性是指在记录的过程中，一个区域内的信道在连续的一秒窗口内更改其指定社区的时间的百分比。一个区域内所有通道的灵活性的平均值被认为是每个区域和记录的一个特征。整合：是指一个通道与来自大脑其他区域的通道处于同一网络社区的平均概率。每个区域内每个通道的平均积分被认为是分配到每个区域并记录的一个特征。“招募”是指一个信道与其他信道在同一网络社区的平均概率。每个区域内所有频道的平均招聘被认为是分配给每个区域并记录的一个特征。

每次手术共计算14个脑电特征。所有的脑电特征都是连续的，这里用中位数和四分位区间(Q1, Q3)来描述。采用随机截距模型检验不同术者的术式评分差异。采用一般线性模型分析了外科医生脑电特征与工作成绩和注意力分散水平之间的关系。

3.实验结果

表现评估：

142例手术的中位表现评分为12分，分位数区间为8 (Q1)-15 (Q3)。满分(最佳表现)为19分，最低分(最差表现)为1分。142例手术的平均评分(标准差)为11.1±4.2分(没有发现不同手术任务之间有任何差异(p = 0.58)。使用随机截距模型来检验外科医生之间的差异，结果显示外科医生之间没有差异(p = 0.38)。单变量分析结果如表2所示。

表2 单变量分析结果表现与脑电特征之间的关系

结果表明，RAS外科医生的表现与从功能脑网络检索到的动态特征有关系。

干扰评估：

术中注意力分散可能是影响外科医生工作表现评分的重要因素之一(Pearson相关系数= 0.37,p <0.0001)。分析了注意力分散及其与脑电特征的关联，注意力分散是一个SURG-TLX指标，在每个手术任务结束时主观评估，范围为0-20分，其中0表示没有注意力分散，20定义为最大注意力分散。在142例手术中，有3个缺失值，总共记录了139个分心评分。中位(Q1, Q3)分心评分为14(11,16)，平均分心评分为13.3，标准差为3.1。最小分散5次，最大分散19次。外科医生之间无明显差异(p-value = 0.17)。因为分心可能发生在任何手术中，所以在模型中，手术类型没有被考虑为一个因素。继续使用一般线性模型来检测脑电特征和注意力分散之间的关系。脑电特征与分心评分的单因素分析结果如表4所示。

表4. 单因素分析结果（表示分心程度与脑电特征的关系）

多元结果显示，感知过程相关区域的整合每增加0.1个单位，分心程度就会增加1.9个单位。

知觉过程相关区域的招募增加0.1个单位，分心值降低1.2个点。其他脑电特征未发现与注意力分散有明显相关，如表5所示。

表5. 多元线性分析结果（代表与RAS外科医生分心水平相关的脑电特征）

4.结论

在本研究中，发现使用RAS从外科医生的功能脑网络中提取的动态特征可以用来评估手术表现和注意力分散。

5.文献名称及DOI号

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