Pesquisadores exploraram o uso de técnicas avançadas de visão computacional e deep learning para analisar vídeos de procedimentos cirúrgicos com o objetivo de avaliar habilidades interpessoais em equipes cirúrgicas. Este estudo, publicado em 31 de julho de 2024 em Jama Network Open, representa um avanço na maneira como as habilidades interpessoais podem ser avaliadas, propondo uma metodologia objetiva e automatizada que complementa as ferramentas de avaliação existentes.
🟦 A imagem, extraída do conteúdo original, ilustra a metodologia de gravação de vídeo na sala de operações e o processamento de pontos-chave:
Fonte: Harari RE, Dias RD, Kennedy-Metz LR, et al., 2024
As habilidades interpessoais, que incluem comunicação, liderança, consciência situacional e tomada de decisão, são cruciais para o sucesso das equipes de saúde em ambientes de alta pressão, como é o caso das salas de cirurgia. Tradicionalmente, a avaliação dessas habilidades depende de avaliações subjetivas, que podem ser influenciadas por vieses e exigem interrupções para reflexão e relato.
A Abordagem do Deep Learning
O estudo propôs o uso de estimadores de pose baseados em deep learning para extrair características de movimento em gravações de vídeo das equipes cirúrgicas em ação. Esta técnica, conhecida como OpenPose, permite a análise automatizada de dados visuais complexos e a extração de padrões significativos relacionados ao comportamento humano e interações. O objetivo era quantificar objetivamente os movimentos físicos dos membros da equipe cirúrgica e investigar sua relação com as pontuações NOTSS - Non-Technical Skills for Surgeons, que são o padrão ouro para a avaliação de habilidades interpessoais em cirurgias.
Os resultados do estudo revelaram associações significativas entre as características de movimento e as habilidades interpessoais. Especificamente:
- Trajetória e Aceleração: Movimentos mais coordenados e acelerados estavam positivamente correlacionados com pontuações mais altas no NOTSS, sugerindo que equipes com habilidades interpessoais superiores são capazes de ajustar sua velocidade de movimento em resposta às demandas cirúrgicas de maneira eficaz.
- Entropia de Deslocamento: Menor entropia nos movimentos da equipe estava associada a pontuações mais altas no NOTSS, indicando que movimentos menos erráticos e mais previsíveis são característicos de equipes cirúrgicas experientes.
Implicações e Limitações
Este estudo evidencia o potencial das técnicas de análise de movimento para enriquecer as avaliações de habilidades interpessoais, oferecendo uma abordagem mais objetiva e menos invasiva. No entanto, há limitações, como o baixo índice de concordância entre avaliadores e a necessidade de considerar a variabilidade na composição da equipe ao longo de um procedimento cirúrgico. Além disso, os resultados foram baseados em uma amostra pequena durante cirurgias cardíacas abertas, o que pode limitar a generalização para outras especialidades cirúrgicas.
A integração de características de movimento na avaliação de habilidades interpessoais oferece uma nova perspectiva promissora para o desenvolvimento de habilidades cirúrgicas e justifica investigações adicionais. Este estudo destaca o potencial das tecnologias em saúde em diferentes contextos cirúrgicos para melhorar a formação e a eficácia das equipes de saúde.
Pipeline detalhado para a análise de equipes cirúrgicas:
Fonte: Harari RE, Dias RD, Kennedy-Metz LR, et al., 2024
👉🏻 Para mais detalhes sobre esta pesquisa, disponibilizamos aqui, o link de acesso ao conteúdo na íntegra.
Referência:
Harari RE, Dias RD, Kennedy-Metz LR, et al. Deep Learning Analysis of Surgical Video Recordings to Assess Nontechnical Skills. JAMA Netw Open. 2024;7(7):e2422520. doi:10.1001/jamanetworkopen.2024.22520