Refine
Document Type
- Journal article (1)
- Conference proceeding (1)
Is part of the Bibliography
- yes (2)
Institute
- Informatik (1)
- Technik (1)
Publisher
- Springer (1)
- VDE Verlag GmbH (1)
Der vorliegende Beitrag zeigte die Anwendung eines Extended Kalman Filters für die Beurteilung des Verschleißzustandes von Rollenketten. Anders als in den üblicherweise eingesetzten signalbasierten Verfahren wurde damit ein modellbasierter Ansatz gewählt. Der Einsatz des Extended Kalman Filters ermöglicht die Schätzung von Parametern eines reduzierten Kettenmodells, das die Dynamik der einzigen Messgröße, nämlich des Drehmoments des antreibenden Motors näherungsweise nachbildet. Im Beitrag wurde dieses Verfahren auf Messdaten aus vier Dauerversuchen an Rollenketten eingesetzt und gezeigt, dass mit steigendem Verschleiß eine Änderung ausgewählter Modellparameter erfolgt.
Diese Vorgehensweise ist ein erster Ansatz, der durch weitere Forschungsarbeiten noch verbessert werden muss. In zukünftigen Forschungsarbeiten wird zusätzlich zur Parameterschätzung eine Prädiktion durchgeführt, um einen Schätzwert für die Restlebensdauer zu erhalten. Hierzu gibt es Ansätze in der Literatur, die auf das konkrete Problem angepasst werden müssen. Zudem muss die Modellierungssystematik so erweitert werden, dass Wissen über das Prozessverhalten in die Modellierung mit eingebracht wird, um die Aussagekraft der Ergebnisse sowie die Robustheit des Verfahrens bezüglich Betriebsparametern, Umgebungsbedingungen und Exemplarstreuungen zu verbessern.
Background
Personalized medicine requires the integration and analysis of vast amounts of patient data to realize individualized care. With Surgomics, we aim to facilitate personalized therapy recommendations in surgery by integration of intraoperative surgical data and their analysis with machine learning methods to leverage the potential of this data in analogy to Radiomics and Genomics.
Methods
We defined Surgomics as the entirety of surgomic features that are process characteristics of a surgical procedure automatically derived from multimodal intraoperative data to quantify processes in the operating room. In a multidisciplinary team we discussed potential data sources like endoscopic videos, vital sign monitoring, medical devices and instruments and respective surgomic features. Subsequently, an online questionnaire was sent to experts from surgery and (computer) science at multiple centers for rating the features’ clinical relevance and technical feasibility.
Results
In total, 52 surgomic features were identified and assigned to eight feature categories. Based on the expert survey (n = 66 participants) the feature category with the highest clinical relevance as rated by surgeons was “surgical skill and quality of performance” for morbidity and mortality (9.0 ± 1.3 on a numerical rating scale from 1 to 10) as well as for long-term (oncological) outcome (8.2 ± 1.8). The feature category with the highest feasibility to be automatically extracted as rated by (computer) scientists was “Instrument” (8.5 ± 1.7). Among the surgomic features ranked as most relevant in their respective category were “intraoperative adverse events”, “action performed with instruments”, “vital sign monitoring”, and “difficulty of surgery”.
Conclusion
Surgomics is a promising concept for the analysis of intraoperative data. Surgomics may be used together with preoperative features from clinical data and Radiomics to predict postoperative morbidity, mortality and long-term outcome, as well as to provide tailored feedback for surgeons.