Datenbestand vom 09. März 2024

Warenkorb Datenschutzhinweis Dissertationsdruck Dissertationsverlag Institutsreihen     Preisrechner

aktualisiert am 09. März 2024

ISBN 9783843934039

72,00 € inkl. MwSt, zzgl. Versand


978-3-8439-3403-9, Reihe Informatik

Luzie Schreiter
Intraoperative Phasenerkennung zur Integration von Assistenzsystemen in den chirurgischen Arbeitsablauf

145 Seiten, Dissertation Karlsruher Institut für Technologie (2017), Softcover, B5

Zusammenfassung / Abstract

Eine chirurgische Operation ist sowohl für den Patienten als auch für das Operationsteam eine sehr belastende und kritische Situation. Zur Entlastung des OP-Teams, werden heutzutage einzelne Assistenzsysteme und Assistenzfunktionen während der Operation genutzt. Eine tatsächliche Integration von Assistenzfunktionen zum passenden Zeitpunkt in den chirurgischen Arbeitsablauf des medizinischen Personals findet jedoch derzeit nicht statt. Für die Integration einer Assistenz bzw. einer Assistenzfunktion in den Arbeitsablauf ist es wichtig zu erkennen, wann eine bestimmte Assistenzfunktion ausgeführt werden soll. Es bedarf eines Systems zur Beobachtung des intraoperativen Arbeitsablaufes sowie von Klassifikationsverfahren zur Identifikation von Phasen zur Einbindung von Assistenzfunktionen. Insbesondere ist derzeit ein nicht erforschter Aspekt für die intraoperative Phasenidentifikation und die Einbettung in eine workflowbasierte Operationsumgebung das Einbeziehen der Mitglieder des Operationsteams und ihrer Handlungen. Dieser Ansatz soll in der vorliegenden Arbeit untersucht werden. Zuerst ist es unabdingbar, den Arbeitsablauf einer Operation zu definieren. Ein (teil-) automatischer Transfer des Wissens aus der Ontologie zum ausführbaren chirurgischen Workflow wird mit Hilfe eines eigens entwickelten Editors umgesetzt. Anschließend wird die formale Korrektheit des Plans auf Basis eines zusätzlich implementierten Model Checking Editors überprüft. Maßgebend in dieser Arbeit ist für die Identifikation der Phase die Pose des OP-Teams. Es werden aus vier 3D Sensoren Personenmodelle der handelnden Akteure generiert. In dieser Arbeit wird der Einsatz des Random Forest Klassifikationsverfahren näher beleuchtet. Die Genauigkeit des Klassifikationsverfahrens wird auf Basis von mehreren Experimenten evaluiert. Weiter wurde exemplarisch eine Assistenzfunktion integriert, welche auf Basis der erstellten Phasenidentifikation dem Nutzer die Interaktion mit einem Roboter erleichtern soll. Diese Arbeit zeigt, wie unter der Hinzunahme von Personenmodellen aktuelle Phasen identifiziert und die Integration von OP-Assistenzfunktionen in den intraoperativen Arbeitsablauf verbessert werden kann. Dabei orientiert sich der Ansatz an dem Ablauf einer chirurgischen Operation. Die Phasenidentifizierung bindet das Modell des handelnden Akteurs in Form von Personenmodellen.