客观表现指标如何为机器人腹股沟疝修补术打分？

由控制台动作算出的0–100分

这个分数不是专家看视频后给出的评级，而是由客观表现指标（OPI）计算得出。OPI是手术过程中由Intuitive Data Recorder采集、经数学推导得到的指标，例如器械路径长度、移动速度和工作空间利用率。研究使用了Intuitive为机器人经腹腹膜前（rTAPP）腹股沟疝修补术提供的全部19项控制台特异性OPI，研究团队没有额外构造新特征。

这19项OPI被归入八个维度，包括时间效率、动作经济性、移动速度、工作空间利用率、镜头控制、手部重新定位、控制台注意力和能量应用。主成分分析把每个维度内的OPI压缩成一个信号，在32个任务与维度的组合中平均保留了原始信息的79.0%（范围56.3–100.0%）。随后，岭逻辑回归把各维度合并成按任务划分的0–100综合评分，并以主治医生为参照进行校准，使主治医生的平均分约为60。

实际含义是：输出的是一个类似概率的区分分数，而不是合格或不合格的证书。综合分为50对应预测该操作者是主治医生的概率为0.5，论文报告了在这个预设分界点上的准确率。

四个任务，四套独立评分模型

每台rTAPP修补术被划分为四个按顺序执行的标准任务，双侧病例则在两侧各做一遍：腹膜切开（PI）、皮瓣探查（FE）、补片放置（MP）和腹膜关闭（CP）。止血以及粘连松解与肠管清扫这两个可选任务因数据有限而被排除。

研究为每个任务分别拟合一个模型，而不是给整台手术一个总分。这一点很重要，因为各维度的贡献并不相同。移动速度在FE（54.9%）、CP（42.2%）和MP（40.1%）中权重最大；PI则较为均衡地依赖时间效率（21.4%）、移动速度（15.9%）、能量应用（13.8%）和镜头控制（13.7%）。

建模之前，控制台主动操作时间过少的病例会按任务特定的参与度阈值剔除：PI为50%的控制台时间，FE和MP为20%，CP为40%。主治医生中任务时长超过主治医生分布第90百分位的病例也被排除，以免非典型病例扭曲主治医生参照。

中等区分度，且能推广到未见过的医生

在开发数据中，47名医生（6名主治医生和41名受训医生）共产生4523条任务级观测；预处理后，392例独立手术留下2588条观测（57.2%），来自6名主治医生和29名受训医生，其中12人在多个培训层级都有观测。

重代入AUC从CP的0.71到FE的0.78，主治医生与受训医生的综合评分差异较大（Cohen d 0.79–1.33）。更严格的检验是交叉验证：评估折中的医生未参与模型训练，此时AUC降至CP的0.62和PI的0.74，过拟合差距为0.019至0.092。综合评分在每个任务上都超过了最佳单维度AUC，这是论文用来证明整合多个维度比任何单一运动学维度更具区分力的证据。

两类AUC要分开理解。重代入值描述模型对所学医生的拟合程度；交叉验证值描述模型对未见医生的表现，才是判断这个分数能否用于其他机构的合适依据。

评分从PGY-2向主治医生逐级升高

四个任务的综合评分都随培训层级显著升高，PGY-1因样本量不足被排除。FE、MP和CP的秩相关系数为1.000（P < 0.01），PI为0.943（P = 0.005）。

提升幅度因任务而异。FE的斜率最陡，为每个研究生年10.3分。FE、MP和CP从fellow到主治医生的差距较小（2.5–4.8分），而PI仍高达15.8分，提示PI比其他三个任务在更晚的培训阶段仍能区分医生。

这种随层级上升的趋势属于已知组效度证据：如果评分确实反映经验，分数就会这样变化。它不能证明评分测量的是手术判断力，作者也只把它当作对有序技能构念的支持，而非成熟的胜任力结论。

外部AUC 0.84掩盖了任务间的不均衡

外部测试使用华盛顿大学圣路易斯分校以双控制台配置记录的21台rTAPP修补术，得到133条任务级观测；应用训练时的参与度筛选后，分析了21例中的84条观测。所有模型参数被冻结，没有重新拟合或重新校准。

合并后的总体AUC为0.84（95% CI，0.69–0.93），置信区间由按医生层面重抽样的聚类自助法得出。这个总体数字令人鼓舞，但按任务拆开的结果对判断更有意义：PI和FE的区分度强，FE的外部AUC达到0.91（95% CI，0.78–1.00），而MP和CP接近随机水平。

作者给出两种解释：模型可能对机构间的技术差异敏感，或者这些任务需要更大的验证样本。无论哪种，读者都不应把合并的0.84当作四个任务评分都能同等推广的证据。

移动速度主导了综合评分

移动速度是最主要的区分维度，在四个任务中的三个贡献了40.1–54.9%的综合权重，并在所有培训层级上呈显著递进（ρ = 0.94–1.00，所有P ≤ 0.005）。LASSO回归独立地在FE和CP中把它选为唯一保留的预测变量。

作者将其解释为主治医生会果断地沿有目的性的器械轨迹操作，而受训医生在建立判断下一步最佳动作的能力时动作犹豫，因而速度较低；他们指出这一模式与其他机器人手术中的既往研究一致。镜头控制和手部重新定位的区分力较弱（Cohen d ≤ 0.33），作者将其理解为受训医生在早期就已掌握的基础控制台技能。

这一解释属于作者的解释，而不是实测的因果发现。论文自己也指出了后果：由于单一构念承载了如此大的权重，综合评分受移动速度的影响过大，其他维度对总分的贡献较小。

连续技能梯度中的二分类模型

岭回归模型以主治医生对受训医生的二分类标签训练。这把连续的专业能力梯度压缩成两类，并把拥有4至18年经验的主治医生合并为同一个参照组，因此该框架无法区分早期主治医生与资深主治医生。

其他限制紧挨着它们所限定的结果。可用的主治医生只有6名，因此主成分分析和以主治医生为参照的校准是在完整数据集上完成的，而不是在每个交叉验证折内完成。模型假设各维度线性组合，也没有考虑机构间的技术差异或病例复杂度；缺损大小、BMI和并发症均未纳入。

与GEARS的比较同样是一条边界，而不是验证。在139个被评分的任务中，综合评分与GEARS没有关联，只有弱且不显著的相关（ρ = 0.136，p = 0.111）。作者认为两种工具测量的是不同构念，可能互为补充，但该样本对维度层面的GEARS比较而言统计功效不足。

皮瓣探查是评分最可靠的应用场景

如果要问哪个任务评分最值得信任，论文自身的排序很清楚。FE同时具备最强的队列内区分度（交叉验证AUC 0.74，重代入0.78）、最陡的培训层级斜率（每个研究生年10.3分）、移动速度维度权重最大（54.9%）以及最好的外部区分度（AUC 0.91，95% CI 0.78–1.00）。PI紧随其后，交叉验证AUC为0.74，并且从fellow到主治医生仍有15.8分的差距。

MP和CP是较弱的一环。它们的交叉验证AUC分别为0.70和0.62，外部区分度接近随机水平，因此MP或CP的低分目前还不应被当作对医生技能的可靠判断。

因此，这个框架最站得住脚的用法是有针对性的，而不是全局性的：在技术难度高的分离操作中，就移动速度和动作经济性给出维度层面的反馈，其中FE和PI评分权重最高；MP和CP则需等待更大规模的外部验证，才能用于胜任力决策。

自动信号，而非专家判断的替代品

论文把这一评分放在基于胜任力的外科教育的评估负担背景下：可信任专业活动（EPA）评估的完成率偏低，而可靠的评级据报告每个EPA需要7–10次微评估。运动学评分不需要额外硬件或观察者时间，这是作者强调的实际优势。

维度结构让输出可用于反馈，而不只是排名。一名受训医生在多个病例中移动速度持续低于同伴范围，就给出了明确的改进目标，而单一综合数字做不到这一点。作者把机器人技能描述为沿两条路径发展：基础控制台操作在早期即达到熟练，而体现在移动速度和动作经济性中的手术判断力则随临床经验持续精进。

这一框架是作者对其维度权重的解释，应当如此理解。证据支持的结论更窄也更实用：一个客观、自动计算的评分，在FE和PI中能较好地区分主治医生与受训医生，总体为中等，在MP和CP中较差。

本文引用的文献