Revolusjonerende hepatobiliær kirurgisk planlegging: Deep Learning-Enhanced 3D-utskrift versus tradisjonelle digitale simuleringer

Studien ble utført i tre faser for å vurdere effektiviteten til 3D-printede levermodeller for planlegging av hepatobiliær kirurgi, og sammenlignet disse modellene med tradisjonelle digitale simuleringer.

Fase én: Denne fasen innebar utvikling og validering av 35 3D-printede levermodeller. Fokuset var på aktualitet, kostnad, presisjon og justering med digitale planleggingsverktøy. Målet var å sikre at de fysiske modellene nøyaktig representerte leverens anatomi som planlagt digitalt.

Fase to: I denne fasen ble 3D-rekonstruksjonsprosessen optimalisert ved bruk av dyplæringsteknikker. Studien sammenlignet AI-assistert automatisk segmentering med manuelle metoder for å øke nøyaktigheten og effektiviteten til modellene. Denne fasen hadde som mål å strømlinjeforme modellskapingsprosessen og redusere tiden og innsatsen som kreves.

Fase tre: Denne fasen gjennomførte en retrospektiv komparativ analyse som involverte 64 pasienter som gjennomgikk hepatobiliær kirurgi. Disse pasientene ble delt inn i to grupper: en gruppe brukte validerte fysiske 3D-modeller, og den andre gruppen brukte digitale simuleringer for kirurgisk planlegging. Fasen evaluerte ulike kirurgiske utfall, inkludert omfanget av reseksjon, operasjonstid, intraoperativt blodtap og sykehusinnleggelsesvarighet. Hovedmålet var å bestemme den kliniske effektiviteten av å bruke 3D-printede modeller sammenlignet med tradisjonelle digitale simuleringer i planlegging av hepatobiliær kirurgi.

Ved å systematisk analysere disse tre fasene, har studien som mål å gi omfattende innsikt i fordelene og potensielle begrensningene ved bruk av 3D-printede modeller i kirurgisk planlegging, og til slutt forbedre pasientresultater og kirurgisk presisjon.