基于转移熵的手术技能评估中视觉运动与神经肌肉协调的多模态分析框架
《International Journal of Surgery》:A transfer entropy-based framework for multimodal analysis of visuomotor and neuromuscular coordination in surgical skill assessment
【字体:
大
中
小
】
时间:2026年10月17日
来源:International Journal of Surgery 9.0
编辑推荐:
**目的**:调查不同手术技能水平下,在模拟腹腔镜任务中眼动、器械运动与肌肉活动之间的定向信息流,以揭示视觉、运动及神经肌肉子系统如何相互作用。**方法**:十八名参与者(五名主治外科医生、五名住院医师和八名新手)完成了一项双钉转移任务。记录了眼动、器械运动及表面肌电信号(肱
**目的**:调查不同手术技能水平下,在模拟腹腔镜任务中眼动、器械运动与肌肉活动之间的定向信息流,以揭示视觉、运动及神经肌肉子系统如何相互作用。**方法**:十八名参与者(五名主治外科医生、五名住院医师和八名新手)完成了一项双钉转移任务。记录了眼动、器械运动及表面肌电信号(肱二头肌、肱三头肌、腕屈肌和伸肌)。利用归一化传输熵(NTE)量化了眼-器械、肌肉-器械和肌肉-眼通路之间的双向信息流。线性混合模型评估了技能相关的趋势,而t分布随机邻域嵌入(t-SNE)和K均值聚类则检查了参与者的分组情况。**结果**:专家从眼到器械运动的信息流显著大于从器械到眼的信息流,这与预期性注视策略一致。相反,新手表现出相反的模式,表明在器械运动过程中更依赖感觉反馈。专家还表明,以手腕为中心的肌肉活动向器械运动传递了更多的预测性信息,而新手则表现出从器械运动到以肘部为中心的肌肉活动的更大信息流。在不同技能水平之间,眼动与肌肉活动之间的信息流未发现显著的方向性差异。线性混合模型分析表明,眼-器械和手腕肌肉-器械通路中的信息流对技能水平最为敏感。t-SNE可视化和K均值聚类提供了初步的探索性证据,与按技能水平分离参与者的结果一致。**结论**:多模态NTE分析捕捉到了眼动、器械运动和手臂肌肉活动之间独特的、依赖技能的协调模式,证明了其作为模拟环境中手术技能评估新方法的价值。这些初步发现表明,未来的个性化、数据驱动训练应用具有潜力,但在任何实际应用之前,需在更大规模的独立队列中进行纵向训练结果的验证。
**要点**
本多模态信息流框架整合了眼动、器械运动和肌肉活动信号,用于定量技能评估。传输熵量化了感觉运动通道间的定向非线性信息流。专家表现出从眼到器械运动以及从手腕肌肉活动到器械运动的更强信息流,强于相应反向方向,这与预测性控制策略一致。新手表现出从器械运动到眼动以及从器械运动到肘部肌肉活动的更强信息流,强于相应反向方向,这与反应性、反馈驱动控制策略一致。本多模态信息流框架提出了一个假说,即其最终可为个性化、数据驱动的训练策略提供信息,但有待对纵向训练和临床结果的验证。
**引言**
手术并发症威胁患者安全,并对医疗系统造成巨大的财政负担。仅在美国,手术并发症每年导致约32000人死亡,90亿美元的医疗成本,以及估计240万的额外住院天数[1]。2012年至2018年间,约有590万人接受了大型手术,其中约3%因术后并发症需要非计划再手术[2]。由于手术熟练度与临床结果密切相关,开发可靠且客观的手术技能评估方法至关重要。
当前手术技能评估方法,包括广泛采用的整体评分量表如GEARS[3]、GOALS[4]和OSATS[5],主要依赖专家观察和主观评分,容易产生偏差且劳动密集。为此,出现了客观方法,包括基于手和手术器械运动的分析、眼动追踪和肌肉活动分析。基于手和手术器械运动的指标,如路径长度、运动一致性、双手灵巧性和运动平滑度,可区分不同技能水平[6–9]。尽管这些运动指标在技能区分方面具有价值,但仅凭这些指标对手眼协调以及手术专长背后的认知过程提供的洞察有限。
手眼协调是手术技能的基础,反映了如何收集关于任务的视觉信息并将其转化为精确的运动动作[10]。为考察外科医生的手眼协调,需要眼动追踪技术。使用眼动追踪,如注视持续时间、扫视幅度和瞳孔直径变化等指标已被证明可区分技能水平[11]。然而,仅靠眼动数据无法完全表征手眼协调;必须与相应的手部运动数据结合解读。先前的研究表明,专家外科医生在移动手术器械前很久就将目光移向目标[10,12]。这种早期目标参与与专长水平高度相关;专家外科医生较早将目光引向下一个目标,而新手倾向于较长时间地视觉追踪器械运动,并延迟参与下一个目标。
手眼协调评估无法完全捕捉熟练表现背后的神经生理学机制。更重要的是,将肌肉活动数据整合到评估框架中,能够更全面地理解专家表现背后的神经肌肉机制。尽管整合手和手术器械运动学、眼动追踪数据和肌电图(EMG)信号的评估框架具有巨大潜力,但迄今为止对这些生物信号之间耦合关系的探究在很大程度上仍未被探索。特别是,眼动、手和器械运动以及肌肉活动之间的定向信息流尚未得到系统研究。
探索这三个数据通道之间的定向信息流可以揭示专家如何将视觉感知、运动规划和神经肌肉活动整合为连贯的控制策略。例如,眼与手之间的最佳协调取决于视觉感知、眼动和肢体运动系统之间涉及前馈和反馈机制的复杂相互作用[13]。前馈控制涉及基于预期动作预测、规划和产生运动指令,依赖于先前的经验来预期必要的运动。相比之下,反馈控制持续监测感觉信息,如视觉和本体感觉输入,以检测误差并相应调整运动指令。这些调整可以在运动期间实时发生,称为在线校正,或在运动结束后发生,允许离线修改以改善未来的运动表现[14]。
为分析此类定向相互作用,传输熵(TE)提供了一个强大的度量指标,能够检测时间序列之间的非线性信息流[15,16]。此外,与格兰杰因果关系或动态因果建模不同,TE不需要对潜在模型或相互作用的线性性作任何假设[15,16]。例如,先前的研究已将TE用于量化驾驶过程中的头-眼协调[17]、腹腔镜和机器人辅助手术任务中的双手对应关系[8],以及从前额叶皮层到纹状体的信息流方向和强度[18]。
本研究旨在调查在不同手术技能水平和优势手(D)与非优势手(ND)之间,眼动、器械运动和肌肉活动之间的定向信息是如何传递的。
**方法**
**参与者**
十八名个体参与了本研究,包括五名普外科主治医生(主治水平;>50例腹腔镜手术;专家技能水平)、五名外科住院医师(<50例腹腔镜手术;中级技能水平)和八名无先前经验的新手。参与者人口学信息见表1。所有参与者在参与前均提供了书面知情同意书,研究方案获得了大学研究伦理审查委员会的批准。本研究是一项非干预性、观察性手术技能评估,在受控模拟实验室环境中进行。本研究不涉及患者护理、临床结果或治疗干预;因此,无需进行此类研究的注册。
**表1 参与者人口学信息**
| 技能水平 | 性别(男,女) | 惯用手(右,左) | 年龄,年 [中位数(25%,75% IQR)] | 先前模拟器接触(Y,N) | 电子游戏经验(Y,N) | 近期腹腔镜活动(Y,N) |
|---|---|---|---|---|---|---|
| 新手 | (4, 4) | (7, 1) | 27 (26, 29) | (0, 8) | (6, 2) | (0, 8) |
| 中级 | (5, 0) | (5, 0) | 33 (29, 40) | (5, 0) | (4, 1) | (0, 5) |
| 专家 | (5, 0) | (4, 1) | 38 (36, 40) | (5, 0) | (3, 2) | (5, 0) |
中级组由两名心脏外科住院医师、两名神经外科住院医师和一名骨科住院医师组成,所有成员此前均有腹腔镜模拟器接触经验;专家均为普外科主治医生。
**实验装置与任务描述**
模拟腹腔镜环境使用腹腔镜手术系统(Stryker Corp., Kalamazoo, MI, 美国)进行可视化,如图1所示。手术器械运动使用OptiTrack Flex 13动作捕捉系统(NaturalPoint Inc., Corvallis, OR, 美国)以120 Hz的采样率进行追踪。由于器械尖端的套管针位于腹腔镜盒式训练器内,无法直接被动作捕捉摄像头看到,器械尖端位置通过间接方式导出。这是通过定义虚拟器械尖端标记来实现的,该标记基于其与手柄标记的已知空间关系,遵循我们先前研究[6,7]中概述的方法。
**图1.** 模拟腹腔镜手术的装置设置,包括眼动追踪器、动作捕捉摄像头和手臂佩戴的EMG传感器。
眼动数据使用Tobii Pro Nano眼动追踪器(Tobii AB, Stockholm, 瑞典)收集,以60 Hz运行,安装在显示腹腔镜场景的显示器底部。为同步动作捕捉和眼动追踪系统,机载电子电路在动作捕捉记录开始时触发发光二极管(LED)。通过Tobii Pro Lab软件记录的腹腔镜视图捕获了此LED起始信号,随后在数据后处理期间用于同步。
肌肉活动使用无线EMG传感器(Trigno, Delsys Inc., Natick, MA, 美国)以2148 Hz的采样率记录。传感器附着于优势手(D)和非优势手(ND)手臂上的四组肌肉:肱二头肌、肱三头肌、腕屈肌和腕伸肌。我们的肌肉选择受双钉转移任务中套管针运动范围内最直接影响器械尖端定位的两个关节指导。因此,我们包含了肱二头肌和肱三头肌(控制肘关节屈伸)以及腕屈肌和伸肌群(控制腕关节屈伸)。相比之下,三角肌和斜方肌主要提供近端姿势稳定,它们维持抬高的、外展的肩部姿势以相对于套管针定位手臂,而不是执行腹腔镜任务固有的精细运动。由于其收缩主要是等张性的和姿势维持性的,而非与个体抓取和转移运动时间锁定的快速收缩性的,因此在当前框架下分析其与器械尖端运动学的传输熵关系在机制上较难解释。在放置EMG传感器之前,皮肤经过剃除并用酒精清洁以减少阻抗并改善信号质量。为同步EMG数据与动作捕捉,动作捕捉标记牢固地附着在EMG传感器上。在每次试验开始时,敲击传感器,在EMG记录中产生独特的信号,并在动作捕捉数据中产生相应的运动伪迹。此物理事件与LED起始一起,实现了EMG、动作捕捉和眼动追踪数据流之间的精确同步。(有关动作捕捉、眼动追踪和EMG数据流处理的信息,请见附录。)
参与者在优势手(D)和非优势手(ND)上使用腹腔镜抓钳(Ethicon Endo-Surgery, Cincinnati, OH, 美国)进行五次重复的双钉转移任务。该任务涉及同时抓取两个钉子并将它们从一侧转移到另一侧,目标钉子距起始钉子10 cm。选择此任务是因为它需要协调的双手操作,适合区分技能水平。在数据收集之前,参与者观察了任务演示。为确保所有技能水平的标准化熟悉程度,每位参与者均有机会练习任务一次,以熟悉模拟器装置并理解任务要求。为确保数据完整性和一致性,如果试验受到技术伪迹、数据损坏或程序偏差的影响,则实时重复该试验。此方案一直维持到为每位参与者获得完整的五次有效试验为止。
**眼动、器械运动和肌肉活动信息流分析框架**
本研究分析了三个双向通路,即眼动?器械运动、器械运动?肌肉活动以及肌肉活动?眼动,计算各自的归一化传输熵(NTE)值(有关传输熵及其归一化的更多信息,请见附录)。在计算NTE之前,高频信号进行抗混叠并重采样以匹配低频信号的采样频率。值得注意的是,手部运动数据未直接收集,而是测量了手术器械运动。我们在NTE公式中简化了表示,使用"eye"、"tool"和"muscle"分别指示眼动、器械运动和肌肉活动(例如NTEeye→tool、NTEtool→muscle和NTEmuscle→eye)。为评估每对的定向信息流通路,在各技能水平内部比较NTE值。
我们为肘部相关(肱二头肌和肱三头肌)和手腕相关(腕屈肌和腕伸肌)肌肉群计算了NTE值。此外,NTEtool→muscle使用手术器械加速度的幅度来量化,因为肌肉产生的力与手术器械的加速度比其位置更密切相关。
同样,NTEmuscle→eye 的计算采用了眼部运动速度的幅度,以便更好地捕捉与眼部运动位置相比的关系。需要注意的是,参与者在预处理和分析阶段被分配了数字标识符用于数据组织。然而,标识符与参与者技能水平组之间的映射关系对研究团队是公开的,并未进行盲法处理。所有预处理和计算均使用这些标识符进行,并在统计分析阶段明确使用了组标签进行跨技能水平的比较。
统计分析与双向信息流转移之间的比较
为了比较双向信息流转移之间的差异,例如 NTEeye→tool 与 NTEtool→eye,鉴于数据的非参数特征,采用了 Wilcoxon 符号秩检验。考虑到在每个双向通路和手侧内跨技能水平进行的多次比较,应用了 Bonferroni 校正。Wilcoxon 符号秩检验比较的效应量以配对秩相关性的 Z 分数报告,并在图 2 中报告了校正后的 P 值。随后,使用线性混合模型分析(表 2)调查了技能水平与双向 NTE 值比率之间的关系,即 ln(NTEeye→tool/NTEtool→eye)、ln(NTEmuscle→tool/NTEtool→muscle) 和 ln(NTEeye→muscle/NTEmuscle→eye)。NTE 的比率经过对数变换以稳定方差并减少偏度,这与线性混合建模中比率尺度数据的标准实践一致。线性混合模型能够处理具有缺失值和不等组大小的数据集,非常适合具有重复测量的实验设计 [19]。在此分析中,技能水平被视为具有三个分类水平的固定效应(新手、中级、专家),并纳入参与者特定的随机截距以考虑参与者间的变异性以及重复测量设计,每位参与者贡献了五个相关观测值(试验)。与表 2 中报告的十个估计值一致,为每个双向通路和手侧(D、ND)分别拟合了线性混合模型(每个模型的残差假设使用 Q-Q 图进行了检验)。由于相对于模型参数数量的较小样本量所提供的自由度有限,试验顺序未作为固定效应纳入这些模型。对于每个模型,计算了每个技能水平的对数变换 NTE 比率的估计边际均值,并提取了新手-中级(N-I)、中级-专家(I-E)和新手-专家(N-E)的配对差异。这些配对差异的 95% 置信区间在每个通路和手侧内进行了 Holm-Bonferroni 校正,以考虑每个模型进行的三次比较。
图 2. 双钉转移任务期间,眼睛与工具运动之间(EyeTool;子图 (A, B))以及腕部和肘部相关肌肉的 EMG 信号与工具运动之间(EMGTool;子图 (C–F))的归一化传递熵 (),包括主导手(D)和非主导手(ND)。箱线图表示参与者之间的组中位数和四分位距(25 分位至 75 分位)。统计显著差异用 * 表示,并报告了相应的 p 值(5 名专家、5 名中级、8 名新手;25 次专家试验、25 次中级试验和 40 次新手试验)。
表 2 不同技能水平之间双向 NTE 值对数比率的估计边际均值差异。
技能水平 | 侧 | 手腕 | 肘部 | 手腕 | 肘部
---|---|---|---|---|---
N-I | D | 0.64 [0.38, 0.89] | ?0.05 [?0.31, 0.21] | 0.11 [?0.12, 0.33] | 0.06 [?0.18, 0.29] | 0.28 [?0.35, 0.91]
| ND | 0.66 [0.39, 0.93] | ?0.05 [?0.16, 0.07] | 0.06 [?0.07, 0.19] | 0.11 [?0.18, 0.40] | 0.06 [?0.25, 0.37]
I-E | D | 0.03 [?0.14, 0.19] | 0.50 [0.24, 0.76] | 0.07 [?0.17, 0.30] | ?0.04 [?0.23, 0.16] | 0.01 [?0.17, 0.18]
| ND | 0.25 [?0.04, 0.55] | 0.51 [0.33, 0.69] | 0.22 [0.04, 0.39] | ?0.06 [?0.36, 0.24] | ?0.09 [?0.32, 0.14]
N-E | D | 0.66 [0.43, 0.90] | 0.45 [0.31, 0.59] | 0.17 [?0.02, 0.36] | 0.02 [?0.23, 0.27] | 0.29 [?0.33, 0.91]
| ND | 0.92 [0.61, 1.22] | 0.46 [0.28, 0.65] | 0.28 [0.09, 0.47] | 0.05 [?0.22, 0.31] | ?0.03 [?0.31, 0.25]
括号中的值为 95% 置信区间。N-I、I-E 和 N-E 分别表示新手-中级、中级-专家和新手-专家。加粗值表示置信区间不包含零,表示指示的技能水平之间方向性信息流的统计显著阶段性变化。
t 分布随机邻域嵌入可视化与 K-means 聚类
为了可视化高维数据的结构,我们采用了 t 分布随机邻域嵌入(t-SNE)算法,这是一种非线性的、无监督的降维方法,用于数据可视化 [20]。它通过将高维空间中邻近的点投影到低维嵌入中的相邻位置来保留局部邻域关系。重要的是,t-SNE 仅用于可视化目的,而非用于参与者聚类。该算法使用 MATLAB 中的 tsne 函数实现,困惑度参数为 25。
在聚类分析中,NTE 值随后被用作 K-means 算法的输入,聚类数 K 从 1 变化到 8。为了确定最佳聚类数,我们使用公式 (1) 计算了每个数据点的轮廓分数。si = (bi ? ai) / max(ai, bi)。这里,si、ai 和 bi 分别是数据点 i 的轮廓分数、平均簇内距离和最近邻簇距离。分数越接近 1 表示聚类分离良好且内聚,而分数接近 ?1 表示聚类分配不佳。对于每个 k,通过对该聚类配置中所有数据点的分数取平均来获得平均轮廓分数。
结果:眼睛与工具运动之间的信息流
分析专家中的 NTEeye→tool 和 NTEtool→eye(图 2a, b),我们观察到过去的眼睛运动数据为未来两种工具(作为手部运动的代理)运动提供了更多的预测信息,而非相反方向(即过去的工具运动数据对未来眼睛运动)。中级表现者表现出相同的单向信息流模式,但仅针对(D)工具运动。相比之下,在初学者的情况下,两种工具的 NTEeye→tool 值显著低于 NTEtool→eye,这表明工具运动的轨迹对未来眼睛运动数据的减少不确定性程度大于相反方向。这些发现清楚地区分了视动协调中不同技能水平的方向性信息流特征。
肌肉活动与工具运动之间的信息流
分析专家中的 NTEmuscle→tool 和 NTEtool→muscle(图 2c–f)显示,对于两侧,腕部相关肌肉活动模式携带了比相反方向更多关于后续工具运动的预测信息。相反,初学者和中级表现者在工具运动与腕部相关肌肉活动之间的 NTE 上没有表现出显著的方向性差异。分析肘部相关肌肉活动与工具运动之间的 NTE 值发现,对于初学者,工具运动(两种工具)到肌肉活动的信息流大于相反方向。相反,专家在肘部相关肌肉活动与工具运动之间未观察到方向性优势,因为(D)和(ND)侧的 NTEmuscle→tool 与 NTEtool→muscle 之间的差异未达到统计显著性。此外,中级表现者显示从(ND)工具运动到肘部相关肌肉活动的信息流大于相反方向。
肌肉活动与眼睛运动之间的信息流
分析不同技能水平之间的 NTEeye→muscle 和 NTEmuscle→eye(图 3),我们在双臂的手腕和肘部相关肌肉组中均未检测到眼睛运动与肌肉活动之间的方向性信息流差异。
图 3. 双钉转移任务期间,眼睛运动与腕部和肘部相关肌肉的 EMG 信号之间(EyeEMG;子图 (A–D))的归一化传递熵 (),包括主导手(D)和非主导手(ND)。箱线图表示参与者之间的组中位数和四分位距(25 分位至 75 分位)(5 名专家、5 名中级、8 名新手;25 次专家试验、25 次中级试验和 40 次新手试验)。
线性混合模型分析
线性混合模型分析揭示,眼睛运动与工具运动之间、以及手腕肌肉活动与工具运动之间的双向信息流比率在不同技能水平间表现出更为显著的变化,相比之下其他双向信息流通路的变化较小。眼睛运动与工具运动的变化集中在新手-中级比较中,从中级到专家没有进一步的显著变化(表 2)。工具运动与腕部相关肌肉活动之间的双向信息流比率也从新手到专家发生了显著变化,但这种变化在训练后期出现,集中在中级-专家比较中,而非新手-中级比较。工具运动与肘部相关肌肉活动表现出更为有限且具有侧别不对称性的模式,仅在中级-专家和新手-专家比较中的 ND 侧达到显著。相比之下,眼睛运动与手腕和肘部相关组肌肉活动之间的双向信息流比率在任何比较中均未显示显著变化,表明眼睛-肌肉信息流随训练变化的调节作用相对较弱。
t-SNE 可视化与 K-means 聚类
t-SNE 可视化(图 4a)暗示了参与者之间存在分组,且后续段落中的聚类分析与三个对应技能水平的聚类一致。尽管中级表现者与初学者和专家都有重叠,但这种重叠与观察到的方向性信息流模式一致。例如,中级表现者在(D)手工具的 NTEeye→tool 与 NTEtool→eye 比较中类似于专家,而其腕部相关肌肉组的 NTEmuscle→tool 与 NTEtool→muscle 比较则类似于初学者。在解释 t-SNE 图(图 4a)时,单个点在轴上的绝对坐标没有意义。相反,点的整体空间排列和相对距离反映了潜在的数据结构。此外,图 4a 中显示的两个维度对应于从高维数据中降维得到的特征,在原始变量空间中不具有特定解释。需要注意的是,t-SNE 是一种可视化技术,即使在有限的数据集中也可能产生明显的分离。因此,t-SNE 图应被解释为数据结构的探索性说明,而非经过统计验证的分组。
图 4. (A) 双钉转移任务期间所有参与者跨 特征的 t 分布随机邻域嵌入(t-SNE)可视化。每个点代表一次试验,按技能水平(新手、中级、专家)进行颜色编码,说明技能依赖性聚类。(B) 不同聚类数(K)的平均轮廓分数。在 K = 3 时的最高轮廓分数表明三个聚类最能捕捉手术技能水平的分离(5 名专家、5 名中级、8 名新手;25 次专家试验、25 次中级试验和 40 次新手试验)。
基于此可视化,K-means 聚类分析显示,基于最高平均轮廓分数,最佳聚类数为 K = 3(图 4b),与 t-SNE 可视化中观察到的分布一致。然而,在小型数据集上进行 K-means 聚类容易受到过拟合的影响。因此,这一结果应被解释为与三个技能水平分组一致的初步描述性证据,而非分类能力经过验证的展示。
讨论
对眼睛运动、工具运动和肌肉活动之间方向性信息流的分析,为运动控制的整合本质提供了无价的见解,这是通过孤立地检查各个模态无法捕捉到的。传统的手术技能评估方法侧重于分别分析这些通道,可能遗漏了专家表现所特有的复杂相互依赖性。本研究的多模态方法提供了关于熟练外科医生如何通过信息流通路协调视觉感知、运动计划和神经肌肉执行的见解。
结果显示,专家表现出从眼睛运动到工具运动的更大信息流,而非相反。这种模式与使用预期性眼睛运动来引导和预测后续工具运动一致。预期性眼睛运动已被证明是各领域专家表现的标志,包括运动 [21,22]、驾驶 [23] 和手术 [10,12]。此外,预期性眼睛运动与这样一个观点一致:由于发展完善的内部模型,熟练表现可能更依赖于前馈(预测)控制策略,从而可能减少对较慢的反馈机制的依赖 [24]。相反,初学者表现出从工具运动到眼睛运动的更大信息流,而非相反,这是由于内部模型发展不够完善。他们更依赖于感觉反馈,如视觉反馈,来调整工具运动,表明相对依赖于反馈(反应性)控制策略 [25]。中级技能水平仅对(D)手的工具表现出专家类似的信息流模式,揭示了视动技能习得的不对称性。这一发现表明,视动协调策略可能以不同速度发展于每只手,(D)手显示出与预测控制更早出现一致的 NTE 模式,而(ND)手则不然。这些发现对手术培训具有重要启示,强调了双侧技能发展可能需要针对性干预以改善(ND)手的视动协调。
专家还显示出从腕部相关肌肉活动到工具运动的信息流超过相反方向。这种方向性差异与先前的发现一致,即熟练表现者表现出更高效和预期性的肌肉活动,特别是在参与精细运动协调的远端关节 [26,27]。另一方面,专家在肘部相关肌肉活动与工具运动之间没有表现出方向性差异。
这一区别可能与腹腔镜手术的精细运动需求相一致,其中远端肌肉主要贡献精确的器械操作,而近端肌肉提供粗略的位置支撑。在早期技能习得阶段,运动控制更多依赖反馈机制来纠正表现误差。初学者从器械运动到肘部相关肌肉活动的信息流大于反向流动,这种模式可能反映了在运动纠正过程中对本体感觉反馈的依赖增加。该模式与运动学习中的近端至远端递进规律一致,即学习者先发展粗糙的近端控制,再精炼远端精确性[28]。初学者在腹腔镜环境中深度感知能力的降低可能进一步加剧了其对更广泛、更粗略的手臂运动进行空间调整的依赖。中级者代表技能发展的过渡阶段,在肘部相关肌肉与器械耦合方面,(D)侧与(ND)侧呈现非对称信息流模式。这种非对称性表明(ND)侧可能需要更大的本体感觉反馈以弥补较低的控制熟练度,导致从器械运动到肘部相关肌肉活动的信息流更高。在解释我们的肌肉至器械NTE值时,一个重要的考量是腹腔镜手术固有的套管支点效应。套管口作为机械支点,使尖端位移方向相对于手柄位移方向发生反转,并成比例地缩放运动学幅度。由于表面肌电图捕捉的是在手柄处产生手部运动的肌肉用力,而NTE是使用尖端运动学计算的,因此肌肉活动与器械运动之间的双向NTE值可能反映了这种机械反转。虽然这种系统性效应均匀适用于所有技能组且不使技能水平比较失效,但意味着涉及器械运动的绝对NTE值在神经肌肉到手部耦合方面应谨慎解读。变换矩阵可以纠正手柄与尖端位移之间已知的几何关系,但无法恢复从未直接测量的手部运动学数据,如握持中的手腕旋转或手指运动。因此,建议未来研究直接在手上放置运动追踪标记点。各技能组之间眼动与肌肉活动信息流方向差异的缺失可能表明,眼动与神经肌肉活动以并行方式运作,而非通过直接的层级控制路径。已有研究表明,专家注视策略通过预测性前馈视觉运动规划促进对任务相关事件的预期并引导手部运动,而非直接调节肌肉活动[29]。类似地,有研究提出视觉与神经肌肉子系统可能在习得过程中被独立精炼[25]。因此,视觉子系统可能充当高级导航器,而神经肌肉子系统独立执行计划的精细运动命令。眼手协调以及手腕相关肌肉活动与器械运动路径在各技能组间表现出敏感性的发现可能代表了手术技能习得的层级组织。眼手协调是视觉运动控制的基础,整合了感知、认知和运动规划过程[29]。与此基础角色一致,眼手信息流的变化集中在初学者与中级者的比较中,表明这一视觉运动策略在技能习得早期相对建立。手腕相关肌肉活动与器械运动的关系可能反映了远端运动执行的精炼,随着外科医师获得复杂腹腔镜操作所需的精细运动精确性,该关系逐步优化。这一精炼在训练中较晚出现,手腕肌肉与器械信息流的显著变化专门出现在中级者与专家技能组之间,与精细运动精确性仅在基础视觉运动策略建立后才得到优化的情况一致。这与专家发展出更具预测性、更高效的手腕肌肉活动模式相一致,这种模式可能使其能在微创手术的空间约束内实现更平滑、更有控制的器械操作。相反,肘部相关肌肉活动与器械运动关系、眼动与肌肉活动关系中观察到的较小变化,可能分别归因于近端肌肉在精细操作中的参与减少[30]以及眼动与神经肌肉系统之间的间接耦合[25]。通过将提供神经肌肉控制全面视角的多模态信息流指标进行整合,t-SNE可视化结合K-means聚类提供了初步的探索性证据,与初学者、中级者和专家参与者的分离一致。在t-SNE可视化中,使用了25的困惑度,这虽然处于t-SNE常引用的范围内(5–50)[31],但代表了本样本(90个试验-技能水平观测值)的相当大比例。由于困惑度作为有效邻域大小,较高的值可能过度重视全局距离而牺牲局部结构,可能产生表观分离。因此,该可视化应谨慎解读,作为探索性而非集群结构的经验证表征。尽管如此,t-SNE仅用作可视化辅助工具;K-means聚类和轮廓分数分析直接在NTE特征值上执行,而非在t-SNE嵌入上执行,因此不受困惑度选择的影响。虽然在使用前需要在更大群体中进行进一步验证,但这些初步发现突显了该框架为未来客观技能水平与训练结果评估提供信息的潜力。中级者与专家和初学者之间的部分重叠可能反映了运动学习中逐渐的过渡,其特征是对感觉反馈依赖的减少和预测性、前馈控制机制建立的增加。或者,这种重叠可能源于中级组内相当大的个体间变异性。虽然该框架为手术技能的多模态信息流提供了有价值的洞察,但仍应考虑几项局限性。首先,本研究采用了基础的腹腔镜任务以使初学者能够参与并评估基本技术技能。然而,它代表了手术执行的简化形式,未能捕捉组织处理、张力控制、解剖或缝合。重要的是,初学者对肘部相关本体感觉反馈的依赖增加可能部分反映了这一特定基础任务的空间需求,特别是2D腹腔镜观察所施加的深度感知限制,而非代表初学者技术的普遍标志。同样,由于该任务涉及操纵刚性桩而非可变形的组织,这里观察到的手腕和肘部相关肌肉活动模式可能无法推广到需要持续力调节和触觉反馈的任务,如组织张力控制或缝合。在此类条件下,对反馈驱动控制的依赖可能在所有技能组中增加,从而可能缩小本任务中区分专家的眼-器械和肌肉-器械预测优势。未来工作应在一系列任务类型和复杂度水平上研究这些协调模式,以评估这些发现的普适性。其次,在单一机构招募的组间不平等且相对较小的样本量(五名专家、五名中级者和八名初学者)严重限制了统计功效和普适性;在将发现应用于更广泛范围之前,需在更大的多中心队列中重复验证是必要的。第三,虽然TE能有效表征方向性信息流,但它并不能确立真正的因果关系。相反,它反映的是功能依赖性,表明一个信号的变化如何预测另一个信号。因此,观察到的方向性效应应解释为功能性而非严格因果性的交互作用。此外,我们使用器械运动作为代理测量指标,这可能会低估直接的神经肌肉耦合,因为器械运动通过机械约束过滤了手部运动学数据。我们的肌电图分析侧重于参与阶段性运动的远端肌肉,但未包括在腹腔镜任务中支持等长姿势的近端肩部肌肉,如三角肌和斜方肌。未来研究应纳入这些近端肌肉,以考察姿势稳定化需求和疲劳如何影响其在腹腔镜手术中的激活。最后,在解读这些发现时,几个参与者特征需要考虑。例如,年龄和性别分布随技能水平系统性地变化,反映了主治医生、住院医师和初学者志愿者的招募,在本设计下无法与训练水平完全解耦。值得注意的是,初学者和中级者最近都没有腹腔镜活动——后者反映了来自腹腔镜病例暴露有限的专业(心脏外科、神经外科和骨科)的住院医师——仅专家组存在最近腹腔镜活动。这提出了中级组部分发现反映的是腹腔镜实践近期性而非正式训练水平的可能性,特别是对于那些中级者更接近初学者而非专家的路径。未来研究应涉及更大的参与者队列和更广泛的任务复杂度范围,以及直接的手部运动数据,以验证并增强此多模态评估框架的鲁棒性。结论本研究提出了一个整合眼动、器械运动和肌肉活动的三模态信息流框架,以定量评估手术技能。使用NTE量化了这些模态之间的方向性交互作用。结果显示,专家从眼动到器械运动以及从手腕相关肌肉活动到器械运动的信息流更强。相比之下,初学者从器械运动到眼动以及从器械运动到肘部相关肌肉活动的信息流更强。这些发现表明,虽然反馈和前馈控制策略在所有技能组中并存,但技能进阶可能伴随着向更具预见性的前馈策略的渐进转变。此外,t-SNE可视化和K-means聚类提供了按技能水平分离参与者的初步探索性证据。另外,中级者在t-SNE嵌入中的空间排列表明,基于其靠近初学者或专家簇的程度,有可能推导出连续的、数据驱动的的技能分数。虽然此类分数理论上可以提供关于个体是否准备好执行高级手术任务的见解,但这仍是一个推测性假设。目前,我们的框架在模拟环境中成功展示了组间差异,但尚不是准备好用于临床应用的鲁棒评估工具。将该概念转化为实践需要在更大的人群和更现实的任务复杂度下进行更充分的调查。总体而言,本研究代表了对多模态协调理解的探索性步骤,为未来神经生理学指导下的训练研究奠定了早期基础。