Entwicklung und Evaluation eines
neurochirurgischen phantom-basierten
Trainingssystems zur Planung und
Durchführung von Kraniotomien in der
operativen Behandlung intrakranieller
Tumore
Dissertation
zur Erlangung des akademischen Grades
Dr. rer. med.
an der Medizinischen Fakultät
der Universität Leipzig
eingereicht von Dipl. Inf. Andrea Müns, geboren am 28.01.1982 in Rodewisch
angefertigt in der Klinik und Poliklinik für Neurochirurgie der Medizinischen
Fakultät der Universität Leipzig
Betreuer: Prof. Jürgen Meixensberger / Dr. med. Dirk Lindner
Beschluss über die Verleihung des Doktorgrades vom: 09.09.2015
Inhaltsverzeichnis
1 Abkürzungsverzeichnis
3
2 Bibliografische Zusammenfassung
4
3 Einführung
3.1 Motivation . . . . . . . . . . . . . . .
3.2 Stand der Technik . . . . . . . . . . .
3.3 Systemaufbau . . . . . . . . . . . . .
3.3.1 Hardware . . . . . . . . . . .
3.3.2 Datensätze . . . . . . . . . . .
3.3.3 Software und Trainingsablauf
3.4 Qualitative Evaluation . . . . . . . .
3.5 Quantitative Evaluation . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
6
6
7
9
10
12
14
15
19
4 Publikation 1 - A neurosurgical phantom-based training system with ultrasound simulation
25
5 Publikation 2 - Evaluation of a novel phantom-based neurosurgical training system
33
6 Zusammenfassung
41
7 Literaturverzeichnis
46
8 Anlagen
8.1 Selbstständigkeitserklärung . . .
8.2 Lebenslauf . . . . . . . . . . . .
8.3 Publikationsliste . . . . . . . . .
8.4 Danksagung . . . . . . . . . . .
8.5 Fragebogen Quantitative Studie
8.6 Fragebogen Qualitative Studie .
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
50
50
51
52
55
56
58
1 Abkürzungsverzeichnis
ACGME :
Accreditation Council for Graduate Medical Education
ANOVA:
Varianzanalyse (Analysis of variance)
EFRE:
Europäischer Fond für regionale Entwicklung
EVD:
Externe Ventrikeldrainage
FSL:
FMRIB Software Library
MNI:
Montreal Neurological Institute
MRI:
Magnetic Resonance Imaging
TRE:
Target Registration Error
3
2 Bibliografische Zusammenfassung
Müns, Andrea
Titel der Arbeit:
Entwicklung und Evaluation eines neurochirurgischen phantom-basierten
Trainingssystems zur Planung und Durchführung von Kraniotomien in
der operativen Behandlung intrakranieller Tumore
Universität Leipzig, Dissertation
60 S., 33 Lit., 7 Abb., 6 Tab, 2 Anlagen
Referat:
In einem iterativen Prozess wurde ein neues phantom-basiertes Trainingssystem für die Neurochirurgie entwickelt, welches theoretische und
praktische Komponenten für wichtige Aspekte der Hirntumorchirurgie
verbindet. Das Trainingssystem besteht aus einem Kopfphantom mit
Knochen-, Muskel- und Hautstruktur, einem Laptop inklusive installierter Navigationssoftware, einem Zwei-Kamera-Trackingsystem sowie entsprechend benötigter Operationsinstrumente.
Ziel ist, innerhalb der neurochirurgischen Assistenzarztausbildung Techniken am Phantom zu vermitteln, welche sowohl die Planung der Tumorresektionen, als auch die Ausführung der zugehörigen Kraniotomie
umfassen. Das Training mit diesem System beinhaltet die navigierte Planung des optimalen Zugangsweges basierend auf realen Patientendaten,
das Setup des zugehörigen Navigationssystems, inklusive der Phantomregistrierung, und die navigationsgestützte Kraniotomie mit Hilfe von realen Operationsinstrumenten. Des Weiteren sollen durch eine standardisierte, automatisierte, software-basierte Evaluationsmethode Lernkurven
für gezielte Eingriffe objektivierbar gemacht und erfasst werden können.
In einer ersten qualitativ angelegten Machbarkeitsstudie wurden Schwächen und Stärken des Systems mit Hilfe eines Fragebogens analysiert,
sowie die Praktikabilität des Trainingssystem getestet. Dazu führten fünf
4
2 Bibliografische Zusammenfassung
Assistenzärzte unterschiedlichen Ausbildungsgrades je einen simulierten
Eingriff, inklusive Kraniotomie, am Trainingssystem auf dem gleichen
Bilddatensatz durch. Nach Auswertung der Fragebögen erfolgte eine Anpassung des Systems aufgrund der gegebenen Kritikpunkte und Verbesserungsvorschläge.
Anschließend wurde in einer größer angelegten, quantitativen Studie der
Fokus mehr auf die Messung und Bestimmung von erreichbaren Lernkurven gelegt. Dazu führten neun Assistenzärzte unterschiedlichen Ausbildungsstandes je drei Kraniotomien am Trainingssystem auf verschiedenen Datensätzen mit unterschiedlichen Tumorlokalisationen durch. Anhand eines standardisierten Evaluationsbogens wurde alle Trainings durch
einen Facharzt bewertet und die benötigte Zeit für alle einzelnen Schritte
gemessen. Für jedes Training konnten maximal 23 Punkte erreicht werden, welche für Tumoridentifikation, Registrierungsgenauigkeit, Planungsund Ausführungsgenauigkeit, Vermeidung von Risikostrukturverletzungen sowie Tumorerreichbarkeit vergeben wurden. Die Auswertung der
Evaluationsbögen zeigt signifikante Korrelationen sowohl zwischen benötigter Zeit und Trainingsanzahl (p < 0.05) als auch zwischen erreichter
Punktzahl und Trainingsanzahl (p < 0.01).
Die resultierenden Signifikanzen und das positive Feedback der Studienteilnehmer bewerten das Trainingssystem als geeignetes Tool für die Vorbereitung von Assistenzärzten auf die eigenständige Planung und Ausführung von Kraniotomien in der Hirntumorchirurgie.
5
3 Einführung
3.1 Motivation
Das operative Spektrum einer neurochirurgischen Klinik umfasst unterschiedliche Erkrankungen, welche verschiedene Operationstechniken erfordern. Insbesondere die Hirntumoroperation kann sich aufgrund der
Lage und Größe des Tumors, seiner Nähe zu funktionellen Arealen sowie seiner Gefäßversorgung und biologischen Aktivität im Einzelfall von
der bioptischen Sicherung bis hin zur Komplettresektion unterscheiden.
In Abhängigkeit von Größe und Einzugsgebiet einer neurochirurgischen
Klinik werden bestimmte operative Eingriffe bei selten auftretenden Tumorlokalisationen, wie zum Beispiel am Hirnstamm oder der Schädelbasis, nur wenige Male pro Jahr durchgeführt. Eine Lernkurve kann dadurch
nur sehr eingeschränkt auftreten. Der Patient erwartet andererseits zu
Recht einen Operateur mit ausreichender Erfahrung für den operativen
Eingriff.
Weitere Schwierigkeiten liegen im nicht einhaltbaren Sicherheitsabstand
bei Hirntumorresektionen, sowie in der nur bedingten Verwertbarkeit von
präoperativen Bild-Planungsdaten. Der Grund dafür liegt im Auftreten
eines intraoperativen Brainshifts und der damit erforderlichen Adaption
in Echtzeit bei gleichzeitig gewünschter Resektionsgenauigkeit im Millimeterbereich.
Jede Hirntumorresektion ist mit einem hohen technischen und personellen Aufwand assoziiert. Insbesondere Mikroskop, Neuronavigation und
intraoperativer Ultraschall müssen zur effektiven Interpretation und Anwendbarkeit verstanden und koordiniert werden. Fehler während der Operation können schnell ernsthafte Konsequenzen für den Patienten nach
sich ziehen. Die Verbindung von intraoperativer Weiterbildung angehender Operateure mit dem klinischen Alltag resultiert in längeren OPZeiten und erhöht damit ebenfalls das Risiko für den Patienten [3].
Die Komplexität der Operationsabläufe und das Zusammenspiel zwischen
allen technischen Komponenten und dem Chirurgen sind nur durch ein
standardisiertes und objektiv bewertbares Training erlernbar, welches
idealerweise außerhalb des OP-Saals und nicht allein am Patienten stattfindet. Chirurgische Simulationssysteme bieten die Möglichkeit, chirurgische Fähigkeiten in einer risikofreien Umgebung zu erlernen bzw. zu
6
3 Einführung
verbessern [22]. Insbesondere phantom-basierte Trainingssysteme, welche
mit realen Patientendaten arbeiten, erschaffen eine realitätsnahe Trainingsumgebung durch das taktile Kopfphantom und die Möglichkeit reale
Instrumente zu benutzen. Damit könnten phantom-basierte Trainingssystem helfen, die bestehende Lücke zwischen theoretischem Unterricht und
praktischem Lernen am Patienten zu schließen. Phantom-basierte Trainingssysteme existieren bereits, zum Beispiel für die spinale Stimulation
[16]. Bisher wurde in der wissenschaftlichen Literatur jedoch kein Trainingssystem für navigierte Kraniotomien beschrieben, welches auf Basis
realer Patientendaten arbeitet. Harrop et. al. [16] berichten außerdem,
dass die von der ACGME (Accreditation Council for Graduate Medical
Education) eingeführte Einschränkung der Arbeitsstunden für Assistenzärzte zu einer Verkürzung der verfügbaren Zeit für Training und Weiterbildung geführt hat [12]. Diese neue Einschränkung führte zur verstärkten Forderung nach der Integration von neuen Simulationsumgebungen in
den Ausbildungsplan [3, 5, 7, 11, 18, 22, 24]. Der Weiterbildungsplan für
Assistenzärzte könnte durch Lehreinheiten am phantom-basierten Trainingssystem erweitert werden, um theoretische und praktische Komponenten für wichtige Aspekte der Hirntumorchirurgie zu verbinden. Weitere Ziele sind die Sicherheit für den Patienten während des realen Eingriffs
zu erhöhen, Risiken zu minimieren und das OP-Saal Management durch
Training außerdem des OP-Saals zu entlasten [1]. Chirurgische Organisationen rufen zur Entwicklung neuer Methoden auf, welche das Potential
haben, das chirurgische Training zu verbessern [20].
3.2 Stand der Technik
Ein Navigationssystem gehört mittlerweile zum Standard-Equipment im
neurochirurgischen Operationssaal. Allerdings ist dessen Eignung für Trainingszwecke limitiert aufgrund des fehlenden Feedbacks für eine geplante
Intervention. Eine standardisierte Fehleranalyse ist damit kaum möglich.
Weiterhin sind Patientenlagerung, Schnittführung, Setzen der Bohrlöcher
und Kraniotomie damit weder messbar noch bewertbar.
Die Problematik des neurochirurgischen Trainings während der Facharztausbildung wird derzeit in der wissenschaftlichen Literatur ausführlich
diskutiert. Dabei stehen eine Reihe unterschiedlicher Systeme zur Verfügung. Zum Stand der Technik neurochirurgischer Simulationssysteme
gehören Virtual Reality basierte Systeme [4, 15, 28, 33] welche forcefeedback nutzen [20, 21, 30, 31], zum Teil auch in Kombination mit Augmented Reality [2]. Die Literatur beschreibt sowohl Modelle zur Unterstützung chirurgischer Prozedurenplanung, als auch zur Simulation der
7
3 Einführung
technischen Komponenten solcher Prozeduren [19, 22, 25]. Einige Simulationsumgebungen kombinieren ein grafisches Interface mit einem grafischen Display und der zugehörigen Software, wie zum Beispiel Dextroscope [18], Cranial Base Surgery Simulatoren [6, 32], ROBO-SIM [26, 27]
und Immersive Touch [21]. Zweifellos gehören virtual-reality basierte Systeme damit zur Zukunft in der neurochirurgischen Facharztausbildung.
Derzeit sind diese Systeme jedoch nur eingeschränkt nutzbar aufgrund
der Berechnungskomplexität von Gewebedeformationen, dem aufwändigen Prozess des manuellen Segmentierens sowie der finanziellen Investition der Anschaffung [22], welche durch kleinere Kliniken kaum zu leisten ist. Die eingeschränkte Hand-Auge-Koordination macht das Training
an diesen Systemen unrealistisch. Neben Virtual-Reality Simulationssystem existieren phantom-basierte Systeme, z.B. für die spinale Stimulation
[13], oder für die Durchführung von Kraniotomien und das Setzen von
Bohrlöchern für EVD’s (externe Ventrikeldrainage) [9]. Für Eingriffe an
der Schädelbasis, z.B. bei Hypophysentumoren, und dem Ventrikelsystem
stehen neuroendoskopische Simulatoren auf Basis anatomischer Modelle
zur Verfügung [8, 14]. Diese anatomischen Modelle umfassen die Nachbildung von Knochen-, Muskel-, Haut- und Hirnstruktur mit Ventrikelsystem Zerebrospinalflüssigkeit [9]. Weitere aktuell diskutierte Konzepte
umfassen Live-Operationen [29] und Training an Tierkadavern [10].
Gegenüber virtuellen Systemen bietet das phantom-basierte Trainingssystem den Vorteil des taktilen Kopfphantoms welches mit realen Instrumenten bearbeitet werden kann und damit eine realistische Hand-AugeKoordination während des Trainings gewährleistet. Ein weiterer Vorteil
liegt in den wesentlich geringeren Investitionskosten für die Anschaffung,
was auch kleineren Kliniken die Möglichkeit schafft, eine Simulationsumgebung in die Facharztausbildung zu integrieren. Nachteilig gegenüber
virtuellen Systemen ist die auf einmalige Verwendung begrenzte Modulverfügbarkeit, welche permanent laufende Kosten und Materialverlust
verursacht. Das vorgestellte Trainingssystem soll nicht als Konkurrenzprodukt zu virtuellen Systemen, sondern vielmehr als sinnvolle Ergänzung innerhalb der verfügbaren Trainingsmethoden verstanden werden
(Tabelle 1).
8
3 Einführung
Phantom-basierte Trainingssysteme
Vorteile
Nachteile
• taktiles Phantom
• realistische
Koordination
• Material / Ressourcenverbrauch
Hand-Auge-
• Paralleles Üben in Gruppen
erfordert mehrere Systeme
• reale OP-Instrumente nutzbar
• geringe Investitionskosten
Virtual Reality / Augmented Reality Trainingssysteme
Vorteile
Nachteile
• keine laufenden Kosten
• eingeschränkte Hand-AugeKoordination
• hohe Investitionskosten
• aufwändige Datenvorverarbeitung
• komplexe, zeitintensive Rechenprozesse
Tabelle 1: Vor- und Nachteile verschiedener Trainingssystemkonzepte
Eine umfangreiche Literaturrecherche in wissenschaftlichen Datenbanken ergab, dass bisher kein phantom-basiertes Trainingssystem für die
Neurochirurgie bekannt ist, welches ssowohl die präoperative navigierte
Planung, als auch den Eingriff selbst auf Basis von realen Patientendaten
und in Verbindung mit Navigationskontrolle erlaubt.
3.3 Systemaufbau
Das Trainingssystem umfasst, neben einem taktilen Kopfphantom mit
austauschbarem Modul im frontotemporalen bis postzentralen Bereich,
9
3 Einführung
weitere Hardware- und Softwarekomponenten, die im Folgenden detailliert beschrieben sind. Die Entwicklung des Systems wurde durch den
Europäischen Fond für regionale Entwicklung (EFRE) mitfanziert, während die Phacon GmbH als Projektpartner auftrat.
3.3.1 Hardware
Das Kopfphantom umfasst eine realitätsnahe Nachbildung eines menschlichen Schädels inklusive Kopfhaut, Musculus frontalis, Musculus temporalis und Dura Mater. Die Galea aponeurotica wurde über den Muskel
mit modelliert. Das Periost wurde nicht dargestellt, da eine Trennung
vom Muskel innerhalb des anatomischen Modells nur durch einen hohen
finanziellen Aufwand möglich gewesen wäre.
Abbildung 1: Austauschbares Modul für Zugänge im frontotemporalen
bis postzentralen Bereich bestehend aus Knochenstruktur (weiß), Musculus frontalis (rot), Musculus temporalis (rot) Dura Mater (rosa) und
Kopfhaut (beige)
Die dreiteilige Konstruktion basiert auf einem wiederverwendbaren Basissystem für die automatische Erkennung des eingesetzten Moduls und
bestimmter Risikostrukturen. Der zweite Teil umfasst das wiederverwendbare Kopfphantom selbst (Abbildung 2), welches eine Einspannvorrichtung für das entsprechende Modul für die einmalige Nutzung besitzt
(Abbildung 1).
Der Konstruktionsprozess des Kopfphantoms basierte auf dem MNI152
Brain Template (Montreal neurological institute MNI, Canada), welches
eine Mittelung von 152 verschiedenen MRI scans darstellt [13]. Knochen, Haut- und Muskelstrukturen wurden aus diesem Template segmentiert
(Abbildung 3) und als Grundlage für die entsprechenden 3D Konstruktionsdateien verwendet.
10
3 Einführung
Abbildung 2: Neurochirurgisches Trainingssystem
mit
dreiteiliger Phantomkonstruktion (Basissystem, Kopfadapter
und austauschbares
Modul) mit zughöriger Trackingkamera
und
angeschlossenem
Laptop
mit
installierter Navigationssoftware, gefertigt
durch die Phacon
GmbH)
Sowohl die Knochenstruktur, als auch die Gussformen für die Weichgewebestrukturen, wurden mittels Rapid Prototyping Verfahren produziert. Haut-, Muskel-, Hirnstruktur und Dura wurden durch verschiedene
Silikonmaterialien simuliert, welche das Ergebnis aufwändiger Materialstudien hinsichtlich Struktur, Haptik, Farbe und Reißfestigkeit waren.
Um eine hinreichend große Region-of-Interest während der Simulation abzudecken und ein Tracking aller eingesetzten Instrumente zu ermöglichen,
wurde durch die Firma Phacon GmbH ein Zwei-Kamera-Trackingsystem
entwickelt (Abbildung 2). Die Fixierung des Kopfphantoms in einer Plastikschale ermöglicht die Simulation der Patientenlagerung durch ein flexibles Kugelgelenk.
Die Konstruktion des Trainingssystems erlaubt den Einsatz von realen
Instrumenten für Bohren und Fräsen während der Kraniotomie. Hierfür
wurde für beide Evaluationsstudien das System Microspeed Uni (Aesculap AG, Tuttlingen, Germany) eingesetzt.
11
3 Einführung
Abbildung 3: Vereinter Datensatz aus segmentierten Knochen- (gelb =
Modul, blau = Adapter), Muskel- (rosa) und Hautstrukturen (rot = Modul, grün = Adapter) des MNI-Templates (einzelne Strukturen farblich
gekennzeichnet) und Hirnstrukturen eines Patientendatensatzes, welche
in einem nichtlinearen Registrierungsprozess an die äußeren Templatestrukturen angepasst wurden. Dargestellt sind ein koronarer, ein sagittaler und ein axialer Schnitt, sowie die 3D Darstellung der äußeren Strukturen.
3.3.2 Datensätze
Ziel des Trainingssystems ist das Training verschiedenartiger Tumorlokalisationen im Frontotemporal- bis Postzentralbereich am gleichen Kopfphantom. Während der Simulation wird eine Visualisierung des Patientendatensatzes mit Referenz zum Kopfphantom benötigt. Um dieser
Anforderung gerecht zu werden, wurde eine Methode entwickelt, welche
die Integration von Patientendaten in die äußeren Strukturen des MNI
Templates erlaubt. Ein adäquater Patientendatensatz sollte neben einer
zum Modul passenden Tumorlokalisation außerdem je einen qualitativ
12
3 Einführung
hochwertigen MRI Datensatz sowie einen intraoperativen Ultraschalldatensatz umfassen. Die Matrizen für die Transformation beider Datensätze
in das gleiche Koordinatensystem wurden vom intraoperativ verwendeten
Navigationssystem SonoNavigator (LOCALITE, St. Augustin, Germany)
geliefert. Im weiteren Bildverarbeitungsprozess wurde jeweils der MRIPatientendatensatz mit Hilfe eines linearen Transformationsalgorithmus
des Softwarepaketes FSL (FMRIB Software Library, [17]) auf das MNI
Template registriert. Das gleiche Softwarepaket beinhaltet ebenso Transformationsalgorithmen, welche eine nicht-lineare Deformation zwischen
zwei Datensätzen berechnen. Diese Algorithmen wurden anschließend
eingesetzt, um die Hirnstrukturen des Patientendatensatzes an die des
MNI Templates anzupassen. Dabei mussten für jeden Datensatz spezielle Parameter für Viskosität und Glättung angepasst werden, um einen
optimalen Ergebnisdatensatz zu erhalten (Abbildung 3).
Sowohl die lineare als auch die nicht-lineare Transformation können ebenso auf den vorliegenden Ultraschalldatensatz angewendet werden, da sich
sowohl intraoperativer Ultraschalldatensatz, als auch MRI Datensatz bereits im gleichen Koordinationssystem befinden (Abbildung 4).
Abbildung 4: Koronarer, sagittaler und axialer Schnitt eines MRT Datensatzes mit überlagertem Ultraschalldatensatz (gelb) vor der Anwendung
der berechneten Transformationen zur Registrierung auf das MNI Template
Nach dem nichtlinearen Transformationsprozess wird im deformierten
MRT - Patientendatensatz die Hirnstruktur durch eine vordefinierte Maske von den restlichen Umgebungsstrukturen separiert. Anschließend wird
der innere Teil des Patientendatensatzes mit dem äußeren Teil des MNI
Templates verbunden. Die Übergangszonen zwischen beiden Datensätzen bleiben bei genauer Inspektion mit hoher Vergrößerung noch leicht
sichtbar, das Ergebnis ist für Trainingsprozesse jedoch vollkommen aus-
13
3 Einführung
reichend (Abbildung 3). Keiner der Assistenzärzte konnte während der
Durchführung der Studien die Übergangszonen feststellen.
Der große Vorteil dieser Methode liegt darin, dass relativ einfach neue
Datensätze mit differenten Tumorlokalisationen für Trainingszwecke erzeugt werden können, ohne dabei die Struktur des anatomischen Modells ändern zu müssen. Die Erstellung neuer Datensätze ist damit eine
ausschließliche Frage von Bildverarbeitungsprozessen und somit flexibel
anpassbar. Die Methode ermöglicht außerdem die Erweiterung des Trainings auf die Durchführung von Kraniotomien für andere Pathologien.
3.3.3 Software und Trainingsablauf
Das grafische Interface der Software ist ähnlich einer üblichen Navigationssoftware aufgebaut (Abbildung 5). Der Datensatz wird in den Anschnitten der sagittalen, axialen und koronaren Ebene visualisiert. Ebenso ist ein 3D-Modell sichtbar. Für Kameraeinstellung und Registrierung
sind in der rechten Menüleiste die Kamerasichtfelder eingeblendet.
Das Training am Phantom selbst beginnt mit der Auswahl eines geeigneten Datensatzes in Abhängigkeit davon, welcher Zugang trainiert werden
soll. Nach Identifikation des oder der Tumore im Datensatz folgt die
Definition von Target und Entry für den Zugangsweg. In Abhängigkeit
vom gewählten Zugang kann nach erfolgter Lagerung und Kamerapositionierung die landmarkenbasierte Registrierung mit Hilfe der Software
erfolgen. Diese wird akzeptiert, wenn der TRE (target registration error)
weniger als 1mm beträgt. Ist der Fehler höher, muss wiederholt registriert
werden.
Während der anschließenden operativen Präparation, welche Hautschnitt,
Muskelpräparation, Bohrlochtrepanation und Kraniotomie umfasst, werden die eingesetzten Instrumente durch das Kamerasystem optisch getrackt. Ziel des Trackings ist, später die ausgeführten Schritte mit den
hinterlegten Daten des entsprechenden Masterzugangs vergleichen zu können. Ein Masterzugang soll für jeden Datensatz definierbar und anpassbar sein. Dabei umfasst er sowohl Entry und Target, als auch Hautschnitt,
Bohrlöcher und Kraniotomiegrenze. Durch diesen Vergleich wird eine
standardisierte und objektive Evaluation des Trainings möglich und Lernkurven können für jeden Probanden aufgezeichnet werden, wenn das Training mehrmals wiederholt wird.
Das Training wird abgeschlossen mit Entfernen des Knochendeckels nach
Abschieben der Dura. Wahlweise kann auch ein Verschluss der Haut erfolgen (Tabelle 2). Alle Schritte werden mit originalen Instrumenten ausgeführt, wobei Bohren und Fräsen durch eine Wasserspülung begleitet
14
3 Einführung
Abbildung 5: Grafisches Interface der Navigationssoftware: sagittale, koronare und axiale Schicht des vereinten MRT Datensatzes, 3D Ansicht
des Kopfmodells, rechts unten sind beide Sichtfelder der Navigationskameras zu sehen.
werden können.
3.4 Qualitative Evaluation
Ziele der qualitativen Evaluationsstudie waren die Stützung der Hypothesen, dass
a) das Trainingssystem inklusive zugehörigem Trainingskonzept klinisch
anwendbar und praktikabel ist und
b) in der Assistenzarztausbildung unterstützend eingesetzt werden kann.
c) das Training die Sicherheit im Umgang mit navigationsgestützter Planung und Durchführung von eigenständig durchgeführten Kraniotomien erhöht.
d) Stärken und Schwächen identifiziert werden können, um so Anstöße
für die weitere Entwicklung zu erhalten.
Geprüft werden sollten diese Thesen durch die deskriptive statistische
Analyse des Evaluationsbogens.
In dieser ersten Machbarkeitsstudie wurde der gefertigte Prototyp durch
fünf Assistenzärzte verschiedener Ausbildungsjahre (min = 2, max = 7,
15
3 Einführung
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
Phasen eines Trainingszyklus
Auswahl Patientendatensatz
Identifikation der pathologischen Strukturen und angrenzenden
Risikostrukturen
Definition Ziel- und Eintrittspunkt des Zugangs
Kopflagerung und Kameraeinstellung
Landmarkenbasierte Registrierung
Hautschnitt
(Muskelpräparation)
Trepanation (Setzen der Bohrlöcher mit Aesculap Microspeed
Uni)
Kraniotomieren (Aesculap Microspeed Uni), Entfernen des Knochendeckels und Abschieben der Dura
(Transduraler Ultraschall)
Hautnaht
Tabelle 2: Phasen des Trainings in zeitlicher Abfolge
mittleres Ausbildungsjahr = 4.8, Standardabweichung = 2.28) durch je
ein Training getestet und anhand eines Fragebogens (siehe Anhang 8.6)
qualitativ evaluiert [23]. Die Handhabung des Trainingssystems wurde
in einer kurzen Einführung erklärt, wobei keine Hinweise bezüglich der
Methodik oder der Wahl des Zugangsweges gegeben wurden. Um eine
Vergleichbarkeit der Ergebnisse zu gewährleisten, wurden alle Trainings
mit dem gleichen Datensatz durchgeführt, welcher durch eine Metastase
im Temporallappen charakterisiert war. Für jeden Trainingsschritt wurde
die benötigte Zeit aufgezeichnet. Das Setzen der Hautnaht beendete die
Trainingseinheit. Das Ultraschallsimulationstool und die automatisierte
Bewertung waren zu diesem Zeitpunkt noch nicht abschließend implementiert.
Die Simulation wurde von allen Kandidaten erfolgreich abgeschlossen.
Die Fragebogenauswertung erfolgte im ersten Teil zur Phantomkonstruktion und den verwendeten Materialien hinsichtlich Farbe, Struktur, Haptik, Reißfestigkeit und Kleberückständen.
16
3 Einführung
Gesamteindruck
Phantom
Haut
Farbe
Dicke
Haptik
Schneidegefühl
Reißfestigkeit
Ablösbarkeit vom Knochen
Kleberückstände
auf
Knochen
Ablösbarkeit vom Muskel
Hautnaht
Gesamtmittelwert
MW n=5
2,20
SD n=5
0,45
2,20
1,40
3,40
3,40
1,40
2,20
1,10
0,55
0,55
1,14
0,55
0,45
2,00
1,22
1,60
0,89
2,50
2,33
0,58
0,81
Tabelle 3: Fragebogen Teil 1a: Gesamteindruck Kopfphantom und Materialbewertung der Haut hinsichtlich Farbe, Dicke, Haptik, Schneidegefühl, Reißfestigkeit, Ablösbarkeit, Kleberückstände, Hautnaht. Evaluiert
von fünf Assistenzärzten mittels metrischer Skala von 1 bis 5 (1 = sehr
gut, 5 = schlecht). Dargestellt sind jeweils Mittelwert und Standardabweichung.
Der Gesamteindruck des Kopfphantoms wurde im Mittel mit der Note gut (Mittelwert 2.2, Standardabweichung 0.45) auf einer Ordinalskala
von sehr gut bis mangelhaft bewertet. Unter allen simulierten Strukturen
wurde die Knochennachbildung am besten bewertet mit einem Mittelwert von 1.3 und einer Standardabweichung von 0.5. Die Dura erhielt die
schlechteste Gesamtbewertung mit einem Mittelwert von 2.6 und einer
Standardabweichung von 1 (Tabelle 3 und Tabelle 4). Im zweiten Teil
wurden sowohl der Lerneffekt hinsichtlich der navigierten Eingriffsplanung (Mittelwert 1.2, Standardabweichung 0.45) als auch der Effekt auf
die Sicherheit im Umgang mit der Komplexität des Eingriffs (Mittelwert
1.0, Standardabweichung 0) als sehr gut auf der gleichen Skala eingeschätzt (Tabelle 5).
17
3 Einführung
Knochen
Muskel
Dura
Farbe
Haptik
Echtheit Bohren
Echtheit Sägen
Gesamtmittelwert
Farbe
Struktur
Haptik
Reißfestigkeit
Ablösbarkeit vom Knochen
Kleberückstände
auf
Knochen
Gesamtmittelwert
Farbe
Struktur
Haptik
Dicke
Reißfestigkeit
Ablösbarkeit vom Knochen
Kleberückstände
auf
Knochen
Gesamtmittelwert
MW n=5
1,40
1,40
1,20
1,20
1,30
1,40
2,80
3,00
2,60
2,20
SD n=5
0,55
0,55
0,45
0,45
0,50
0,55
0,84
1,22
0,55
1,64
2,00
0,71
2,31
2,80
3,00
3,00
2,80
3,20
2,20
0,90
1,30
1,22
0,71
1,48
0,84
1,10
1,20
0,45
2,60
1,01
Tabelle 4: Fragebogen Teil 1b: Materialbewertung von Knochen, Muskel
und Dura hinsichtlich Struktur, Haptik, Farbe, Reißfestigkeit, Ablösbarkeit, Schneidegefühl. Evaluiert von fünf Assistenzärzten mittels metrischer Skala von 1 bis 5 (1 = sehr gut, 5 = schlecht). Dargestellt sind
jeweils Mittelwert und Standardabweichung.
Einige kritische Kommentare wurden hinsichtlich des Verschlussmechanismus zwischen Modul und Adapter, sowie zur Stabilität des Kugelgelenkes gegeben, welches das Kopfphantom in der Kunststoffschale
befestigt.
Jedes Training wurde vom gleichen Facharzt angeleitet, überwacht und
bewertet, welcher am Ende auch auf Fehlerquellen und Optimierungsmöglichkeiten hinwies.
18
3 Einführung
Ergnomie bezogen auf
Lerneffekt
zogen auf
be-
Kopflagerung
Visualisierung in Navigationssoftware
Abgedeckter
Bereich
durch Kameras
Handhabung Pointer
Handhabung Kraniotom
Handhabung Trepan
Gesamtmittelwert
navigationsgestütze Planung
Kopflagerung
Navigationssystem
Hautschnitt
Kraniotomie
Trepanation
Gesamtmittelwert
MW n=5
1,60
SD n=5
0,55
1,00
0,00
2,00
0,71
1,20
1,40
1,40
1,43
1,20
0,45
0,89
0,89
0,58
0,45
2,60
1,00
2,00
1,60
2,00
1,73
0,55
0,00
1,73
0,89
0,71
0,72
Tabelle 5: Fragebogen Teil 2: Evaluation von Ergonomie und Lerneffekt
mittels metrischer Skala von 1 - 5 (1 = sehr gut, 5 = schlecht). Dargestellt
sind jeweils Mittelwert und Standardabweichung.
Die detaillierten Ergebnisse wurden in der Publikation A neurosurgical
phantom-based training system with ultrasound simulation [23] zusammengefasst und veröffentlicht.
3.5 Quantitative Evaluation
Ziel der quantitativen Evaluationsstudie war es, an dem weiterentwickelten Prototyp des Trainingsmodells, folgende Hypothesen zu prüfen:
a) Es existiert ein Zusammenhang zwischen Zeitdauer des durchgeführten Eingriffs und Anzahl an Trainingssimulationen. Es wird erwartet,
dass die für das Training benötigte Zeit mit einer steigenden Anzahl
an durchgeführten Trainings abnimmt (auch bei anderer Lokalisation).
b) Es existiert ein Zusammenhang zwischen erreichter Punktzahl im
Evaluationsbogen und Anzahl der Trainingssimulationen. Es wird er-
19
3 Einführung
wartet, dass mit Zunahme der Trainingseinheiten auch die erreichten
Punktzahlen im Evaluationsbogen steigen.
c) Es existiert ein Zusammenhang zwischen dem Jahr der Assistenzarztausbildung und der Zeitdauer die für das Training benötigt wird.
d) Es existiert ein Zusammenhang zwischen dem Jahr der Assistenzarztausbildung und erreichter Punktzahl im Evaluationsbogen durch den
Facharzt.
Abbildung 6: Setup quantitative Evaluationsstudie mit Kopfphantom,
Navigationssystem, Trackingsystem und realen Instrumenten
Sollten sich die hypothetischen Zusammenhänge zwischen Ausbildungsfortschritt und Zeitdauer bzw. zwischen Ausbildungsfortschritt und erreichter Punktzahl statistisch bestätigen, wird damit gezeigt, dass das
Trainingssystem den Ausbildungsstand zumindest in den abstrahierten
Parametern widerspiegeln kann. Die Darstellung der angelernten chirurgischen Fähigkeiten lässt die Vermutung zu, dass diese durch wiederholtes
Training verbessert werden können.
Sowohl die Anzahl der erreichten Punkte im Evaluationsbogen als auch
die benötigte Zeitdauer können als Parameter für einen potentiellen Lerneffekt herangezogen werden. So kann bei gesteigerter Punktzahl im Evaluationsbogen bzw. bei einer Verkürzung der benötigten Zeit von einem
20
3 Einführung
Lerneffekt ausgegangen werden.
Abbildung 7: Drei differente Tumorlokalisationen mit steigendem Schwierigkeitsgrad von oben nach unten. MRT Bildgebung T1, jeweils sagittaler,
koronarer und axialer Schnitt. Obere Reihe: temporale Metastase, mittlere Reihe: zwei präzentrale Metastasen, untere Reihe: drei Metastasen
Der Effekt von Ausbildungsjahr und Trainingsanzahl auf die erreichte
Punktzahl und benötigte Zeit kann weiterhin über eine multifaktorielle
Varianzanalyse (ANOVA) getestet werden. Das Setup für die quantitative
Evaluationsstudie bestand aus Kopfphantom inklusive zugehörigem Laptop mit installiertem Navigationssystem, Zwei-Kamera-Trackingsystem
und realen Instrumenten (Abbildung 6).
21
3 Einführung
Am Trainingssystem führten neun Assistenzärzte verschiedener Ausbildungsstufen (3 x Jahr 2, 2 x Jahr 3, 1 x Jahr 5, 1 x Jahr 6, 1 x Jahr 7,
1 x Jahr 8) jeweils drei Trainings auf verschiedenen Datensätzen mit differenten Tumorlokalisationen durch (Abbildung 7). Die Datensätze wurden nach steigendem Schwierigkeitsgrad angeordnet, um einen positiven
Einfluss auf die Zeitverbesserung auszuschließen. Der Schwierigkeitsgrad
wurde durch den Facharzt aufgrund des wahrscheinlichen Zugangsweges
und zu präparierender Strukturen festgelegt.
Für jeden der drei Datensätze wurde ein Standard definiert hinsichtlich
des Mindestabstandes zu bestimmten Risikostrukturen, wie zum Beispiel
zur Ohrmuschel oder zum Sinus sagittalis, der Länge des Hautschnittes
und der Kraniotomiegröße in Bezug zur gemessenen Tumorgröße. Für das
Setzen der Bohrlöcher wurde eine Maximalanzahl festgelegt. Vor dem ersten Training wurde jeweils eine kurze Einführung gegeben und die Bewertung erfolgte während des Trainings immer durch den gleichen Facharzt
anhand eines standardisierten Evaluationsbogens (siehe Anhang 8.5). Zu
Beginn des Trainings mussten Tumor(e) und Risikostrukturen anhand
des MRT-Datensatzes korrekt identifiziert werden. Der folgende simulierte Eingriff umfasste die navigationsgestützte chirurgische Zugangsplanung, die Kopfregistrierung, die Haut-, Muskel- und Durapräparation,
das Setzen der Bohrlöcher, die Kraniotomie selbst und das Entfernen des
Knochendeckels. Nach Entfernen des Deckels wurde durch den Facharzt
mit Hilfe des navigierten Pointers geprüft, ob ein Zugang zum Tumor von
allen Seiten möglich war. Abschließend wurde die Haut wieder vernäht.
Während des Trainings wurden anhand des standardisierten Protokolls
(siehe Anhang 8.5) Punkte für die einzelnen Schritte durch den Facharzt vergeben. Kriterien für die Punktvergabe waren dabei die korrekte
Identifikation des Tumors bzw. der Tumore und umgebender Risikostrukturen, Kopflagerung, Einrichten und Nutzen des Navigationssystems, Registrierungsgenauigkeit, Planung des Zugangs, Positionierung und Länge
des Hautschnittes, Abstand zu Risikostrukturen, Präparation von Haut,
Muskel und Dura, Positionierung und Größe der Kraniotomie, Tumorerreichbarkeit und Hautverschluss.
Insgesamt konnten maximal 23 Punkte erreicht werden. Nach dem Training wurde die Punktzahl mitgeteilt und Hinweise für potentielle Komplikationsrisiken durch Hautschnitt, Bohrlöcher und Kraniotomie, sowie
Empfehlungen mit Fokus auf Zugangsweg, Kamerapositionierung und
Einsatz des Navigationssystems gegeben.
Um eine weitere Schätzgröße für die angenommene Lernkurve zu erhalten, wurden die Zeit bis Kraniotomie und bis zum Abschließen der Hautnaht gemessen. Die Zeit bis Kraniotomie enthielt dabei alle Schritte von
22
3 Einführung
der Tumoridentifikation über die Planung bis hin zur Ausführung von
Hautschnitt, Präparation, Bohrlöcher und Kraniotomie. Die Zeit bis zur
Hautnaht enthält zusätzlich die Naht-Zeit. Beide Zeiten wurden gemessen, um den Einfluss der Hautnaht, welche oft einige Minuten in Anspruch nimmt, auf das Endergebnis kleiner zu halten. Aufgrund von organisatorischen Problemen war die Varianz der Zeitspanne zwischen den
einzelnen Trainings mit 5 Tagen bis 8 Wochen leider recht hoch.
Die im Mittel erreichte Punktzahl stieg von 16.9 / 23 im ersten Training
auf 20.4 / 23 im dritten Training. Die mittlere Zeit bis zur Kraniotomie
sank von 28.97 Minuten im ersten Training auf 21.07 Minuten im dritten Training. Die mittlere Zeit bis Fertigstellung der Hautnaht sank von
37.83 Minuten im ersten Training auf 27.47 Minuten im dritten Training.
Sowohl die Korrelation zwischen Zeit bis Kraniotomie und Trainingsanzahl als auch zwischen Zeit bis Hautnaht und Trainingsanzahl sind mit
einem p-Wert von < .05 signifikant und bestätigten die Hypothese a).
Die Korrelation zwischen erreichter Punktzahl und Trainingsanzahl ist
mit einem p-Wert von < .001 ebenfalls signifikant und bestätigt die. Hypothese b).
Sowohl die Korrelation zwischen Zeit bis Kraniotomie und Ausbildungsgrad als auch zwischen Zeit bis Hautnaht und Ausbildungsgrad sind mit
einem p-Wert von < .001 signifikant und bestätigten die Hypothese c).
Hingegen konnte zwischen Ausbildungsgrad und erreichter Punktzahl keine signifikante Korrelation gefunden werden. Die geringe Fallzahl und
gleichzeitig große Varianz in der Verteilung auf die verschiedenen Ausbildungsjahre könnten dafür ausschlaggebend sein. Damit konnte die Hypothese d) zumindest vorerst nicht statistisch bestätigt werden.
In der Varianzanalyse für Messwiederholungen wurde die Signifikanz des
Einflusses der Anzahl an Wiederholungen auf die Punktzahl und Zeit
bis Kraniotomie / Hautnaht bestätigt (p < .05). Ein Interaktionseffekt
konnte sowohl zwischen den Faktoren Ausbildungsjahr und Zeit bis Kraniotomie / Hautnaht als auch zwischen Ausbildungsjahr und erreichter
Punktzahl nicht nachgewiesen werden.
Betrachtet man die Anzahl erreichter Punkte und die benötigte Zeit als
Parameter für einen potentiellen Lerneffekt, kann davon ausgegangen
werden, dass repetitive Trainingseinheiten auf differenten Datensätzen
in einer positiven Lernkurve resultieren. Der signifikante Lerneffekt ist
jedoch sicherlich zum Teil auch auf die Gewöhnung an das System und
dessen Umgang zurückzuführen. Da jedoch in der ersten qualitativen
Studie auch alle Teilnehmer subjektiv bestätigten, dass das Training das
Sicherheitsgefühl des Operateurs hinsichtlich des komplexen Zusammenspiels zwischen Navigationssystem, Operateur und Instrumenten, steigert
23
3 Einführung
[23], ist ebenfalls von einer tatsächlichen Lernkurve hinsichtlich der Prozeduren auszugehen.
Die quantitative Evaluationsstudie lässt die Schlussfolgerung zu, dass das
phantom-basierte Trainingssystem ein geeignetes Tool ist, um mit den
komplexen Prozeduren von eigenständig durchgeführten Kraniotomien
bei Hirntumoroperationen vertraut zu werden. Eine gesteigerte Sicherheit des Chirurgen resultiert wahrscheinlich in weniger fehleranfälligen
und schnelleren Operationsabläufen und stellt damit sowohl für Patient,
als auch Operateur einen Benefit dar.
24
4 Publikation 1 - A neurosurgical
phantom-based training system with
ultrasound simulation
25
Acta Neurochir (2014) 156:1237–1243
DOI 10.1007/s00701-013-1918-3
TECHNICAL NOTE - NEUROSURGERY TRAINING
A neurosurgical phantom-based training system
with ultrasound simulation
Andrea Müns & Constanze Mühl & Robert Haase &
Hendrik Möckel & Claire Chalopin &
Jürgen Meixensberger & Dirk Lindner
Received: 12 July 2013 / Accepted: 9 October 2013 / Published online: 23 October 2013
# Springer-Verlag Wien 2013
Abstract
Background Brain tumor surgeries are associated with a high
technical and personal effort. The required interactions
between the surgeon and the technical components, such as
neuronavigation, surgical instruments and intraoperative
imaging, are complex and demand innovative training
solutions and standardized evaluation methods. Phantombased training systems could be useful in complementing the
existing surgical education and training.
Methods A prototype of a phantom-based training system
was developed, intended for standardized training of
important aspects of brain tumor surgery based on real patient
data. The head phantom consists of a three-part construction
that includes a reusable base and adapter, as well as a
changeable module for single use. Training covers surgical
planning of the optimal access path, the setup of the
navigation system including the registration of the head
phantom, as well as the navigated craniotomy with real
instruments. Tracked instruments during the simulation and
predefined access paths constitute the basis for the essential
objective training feedback.
Results The prototype was evaluated in a pilot study by
assistant physicians at different education levels. They
performed a complete simulation and a final assessment using
an evaluation questionnaire. The analysis of the questionnaire
showed the evaluation result as “good” for the phantom
A. Müns (*) : C. Mühl : J. Meixensberger : D. Lindner
Department of Neurosurgery, University Hospital Leipzig,
Liebigstraße 20, 04103 Leipzig, Germany
e-mail: [email protected]
R. Haase : H. Möckel
PHACON GmbH, Leipzig, Germany
C. Chalopin : J. Meixensberger
ICCAS, University of Leipzig, Leipzig, Germany
construction and the used materials. The learning effect
concerning the navigated planning was evaluated as “very
good”, as well as having the effect of increasing safety for
the surgeon before planning and conducting craniotomies
independently on patients.
Conclusions The training system represents a promising
approach for the future training of neurosurgeons. It aims to
improve surgical skill training by creating a more realistic
simulation in a non-risk environment. Hence, it could help
to bridge the gap between theoretical and practical training
with the potential to benefit both physicians and patients.
Keywords Neurosurgical training . Head phantom . Tumor
resection . Ultrasound simulation . Ultrasound phantom
Introduction
Background
During brain tumor surgeries, various imaging modalities,
such as magnetic resonance imaging (MRI) or intraoperative
ultrasound (iUS), neuronavigation systems and microscopes
need to be coordinated for effective use and interpretation.
The interactions are complex and should ideally be learned
during a standardized training that can be verified objectively.
Mistakes can have serious consequences, and teaching during
surgery results in longer operating times and may increase the
overall risk to the patient [3]. Surgical simulation and skill
training offer an opportunity to teach and practice in a non-risk
environment where surgeons can develop and refine skills
through harmless repetition [12].
There is enormous potential to address patient safety, risk
management concerns, operating room management and
work hour requirements with more efficient and effective
training methods [1]. Surgical organizations are calling for
1238
methods to ensure the maintenance of skills, advance surgical
training, and credential surgeons as technically competent [3].
State of the art training systems
Nowadays, a navigation system is part of the standard
equipment in neurosurgery. The suitability for training
purposes is limited since the system cannot give a feedback
to the planned intervention and a standardized failure analysis
is hardly possible. Patient positioning, incision, craniotomy
and trepanation can neither be measured nor evaluated.
The state of the art simulation systems in the neurosurgical
field are virtual reality-based systems [16], which use force
feedback [10, 11, 18, 19], partly in combination with augmented
reality [2]. The literature currently describes models that assist in
procedure planning, augment the visual-spatial learning of
complex surgical approaches and simulate technical components
of neurosurgical procedures [9, 12, 13]. Simulation environments
combine a graphic interface with a graphic display and the
corresponding software, such as Dextroscope [8], Cranial Base
Surgery Simulators [4, 20], ROBO-SIM [14, 15] and
ImmersiveTouch [11]. Undoubtedly virtual reality-based
simulators make a major contribution to the training of future
neurosurgeons. Nevertheless, such systems are currently limited
by the computational complexity of accurate tissue deformation,
the arduous process of manually segmenting volume-rendered
models, and the great expense of sophisticated haptic interfaces
[12]. The restricted hand-eye coordination makes the training
more unrealistic. Further present concepts in neurosurgical
training are live surgeries [17] or training on animal cadavers [5].
Investigating the scientific literature, no reference could be
found describing a standardized phantom for neurosurgical
training that allows a preoperative planning for different tumor
locations and the simulation of the intervention based on
patient data.
Another challenging task for resident neurosurgeons is the
handling and mental compounding of ultrasound images
during neurosurgical procedures. Their safe application and
interpretation require a lot of training and experience, which
could be partly gained from an ultrasound simulation tool.
Acta Neurochir (2014) 156:1237–1243
Hardware
The head phantom shows a quite realistic representation of a
human skull with frontotemporal muscle, skin and dura. The
three-part construction is based on a reusable system for the
automatic recognition of modules and risk structures. The
second part provides a reusable specific head adapter
(Fig. 1) that carries the corresponding frontotemporal module
designed for single use only (Fig. 2).
The design process of the phantom was based on the
MNI152 brain template created by the Montreal neurological
institute (MNI), which represents the average of 152 different
MRI scans [6]. 3D-construction datasets were created for bone,
skin and muscle, segmented from the brain template (Fig. 3).
The bone structure and the molds for the soft tissue structures
were produced using rapid prototyping methods. Skin, dura
and brain were modeled by different silicon materials, chosen
in material studies performed to find the optimal materials
according to structure, haptics, color and tear strength.
During the simulation, all instruments are tracked by a twocamera system to improve the visibility and enlarge the covered
tracking area. The hardware setup of the training system allows
the user to use real instruments for drilling and milling.
Datasets
To increase the flexibility, students can train on different tumor
locations in the frontotemporal region with the same phantom.
During the simulation, a visualization of the patient’s dataset
Material and methods
Idea
The objective of our study was to create a neurosurgical
phantom-based training system for the purpose of teaching
techniques for the planning of tumor resections and the realization
of the corresponding craniotomy. Further requirements
included a standardized evaluation method for measuring the
progress by learning curves and an integrated ultrasound
simulation tool, based on patient data.
Fig. 1 Neurosurgical training system, consisting of a three-part head
phantom (base system, adapter and changeable module), tracking
cameras and connected laptop with installed navigation software
Acta Neurochir (2014) 156:1237–1243
1239
Fig. 2 Module for the
frontotemporal access, consisting
of a bony structure, skin,
frontotemporal muscle and dura.
a outside view; b inside view
with respect to the head phantom is required. To satisfy this
requirement, a method was developed that integrates real patient
datasets into the predefined structures of the MNI template.
Besides suitable tumor localization, an adequate patient
dataset consists of good quality MRI and iUS datasets. The
navigation system (SonoNavigator, LOCALITE, St. Augustin,
Germany) provides the matrices to transform both datasets into
the same spatial coordinates. The patient’s MRI dataset is
registered by a linear and a non-linear algorithm from the FSL
package (FMRIB software library) [7] to the MNI template. The
computed transformations can also be applied to the iUS dataset
since it is defined by the same coordinate system (Fig. 3).
A predefined mask separates the brain structure from the
remaining structures in the MRI dataset before merging the inner
part of the patient’s dataset with the outer part of the template. The
border between both datasets remains visible at closer inspection,
but is completely sufficient for training purposes (Fig. 4).
The big advantage of this method is that the head phantom
must not be modified at all because creating new cases is just a
question of image processing. At the same time, anonymity of
the patient can be guaranteed.
Software and simulation
The simulation starts with choosing a dataset depending on
the type of access to be practiced. Based on this dataset, the
entry and target have to be defined.
The next steps include phantom positioning, adjustment of
the tracking cameras and the marker-based phantom
registration. The registration will be accepted only if the target
registration error does not exeed 1 mm (threshold is adjustable).
A second registration method, based on anatomical landmarks,
will be implemented to make the registration process more
realistic.
The subsequent skin incision, as well as the preparation of
the frontotemporal muscle are performed using a tracked
surgical knife. An Aesculap System (Microspeed uni,
Aesculap AG, Tuttlingen, Germany) is used for tracked
drilling and milling, while milling can also be accompanied
by realistic flushing. Before the bone flap can be removed, the
dura needs to be separated through the drilling holes.
The current development of the software comprises the
detection of injuries of certain nerves and arteries during the
opening process, as well as the implementation of the
evaluation concept. For each dataset, a predefined master
access path, including entry, target, trajectory, skin incision
line, drilling holes and trepanation line, provides the basis for
the automatic evaluation of the simulation. Since the tracking
cameras are able to record the instrument handling during the
simulation, the conducted steps can be related to the planning
as well as to the master access path. The current integration of
the ultrasound simulation tool realizes the identification of the
tumor in a final ultrasound examination, which can only be
successful with a correct placed craniotomy. The ultrasound
Fig. 3 Patient’s MRI dataset with superimposed iUS dataset before applying the computed transformation to register on MNI template
1240
Acta Neurochir (2014) 156:1237–1243
Fig. 4 Merged dataset
constructed from the patient’s
dataset and the MNI template.
Bone, skin and frontotemporal
muscle were segmented from the
template and are highlighted. The
inner part of the MR Dataset was
taken from the patient’s dataset
and deformed in different
registration steps
simulation is based on the patient's intraoperatively acquired
iUS dataset, which has also been transformed to fit on the
merged MRI dataset. During the simulated acquisition of
iUS, a tracked ultrasound dummy probe needs to be swept
across the phantom's brain surface. Simultaneously, the
corresponding slides from the transformed patient's iUS
dataset are computed and visualized, which gives the
impression of a real ultrasound examination, on the condition
that the craniotomy was placed adequately.
Finally, a questionnaire was filled out by the participants
containing questions related to the used materials, concerning
structure, haptics, color, tear strength, removability and
cutting sensation. In a second part, questions with regard to
the ergonomic comfort and learning effect had to be answered.
Every point was evaluated with a metric scale between one
and five, where one indicated 'very good'. At the end, personal
comments, additions and suggestions for improvements were
welcomed.
Pilot study
Results
The prototype was evaluated in a small clinical setup.
Five residents between the second and seventh year
(average 4.8 years, standard deviation 2.28) were asked
to perform the simulation. None of them were involved in
the development process. The handling of the training system
was explained in a short introduction and no specifications
were made concerning methods or directions for accessing
the tumor.
In order to establish comparability, all simulations were
performed with the same dataset characterized by a metastasis
localized in the temporal lobe. The required time was
measured for every single step and the simulation was finished
upon skin suture.
The craniotomy was accomplished successfully in all
simulations. The average time of the simulation was
23.4 minutes (sd (standard deviation) 7.9 min). The secondyear resident took the longest time, with 37.2 minutes. We
assume a correlation between the level of specialist training
and time needed for the simulation, but the case number is, of
course, too small for a statistical proof.
Skin opening was carried out via a curved incision in two
simulations and by a linear incision in three simulations. The
frontotemporal muscle was injured in three cases during the
skin incision. Two drilling holes were placed in all
simulations. The size of the bone flap varied between
approximately 3 and 6 cm in diameter. The dura was injured
Acta Neurochir (2014) 156:1237–1243
1241
Table 1 Questionnaire, part one: evaluation of materials used to construct the head phantom
Overall impression Phantom
Skin
Bone
Avg
n=5
Std Dev
n=5
Color
Width
haptics
2.20
2.20
1.40
3.40
0.45
1.10
0.55
0.55
Cutting Sensation
Tear strength
Removability from bone
Adhesive residues bone
Removability from muscle
Adhesive residues muscle
Skin suture
TOTAL average
Color
Haptics
Authenticity drilling
Authenticity milling
TOTAL average
3.40
2.20
2.00
1.60
2.50
2.00
2.60
2.33
1.40
1.40
1.20
1.20
1.3
1.14
0.45
1.22
0.89
0.58
0.71
0.89
0.81
0.55
0.55
0.45
0.45
0.5
Muscle
Dura
Avg
n=5
Std Dev
n=5
Color
Structure
Width
1.40
2.80
2.20
0.55
0.84
0.84
Haptics
Tear strength
Removability from bone
Adhesive residues bone
TOTAL average
Color
Structure
Haptics
Width
Tear strength
Removability from bone
Adhesive residues bone
TOTAL average
3.00
2.60
2.20
2.00
2.31
2.80
3.00
3.00
2.80
3.20
2.20
1.20
2.60
1.22
0.55
1.64
0.71
0.90
1.30
1.22
0.71
1.48
0.84
1.10
0.45
1.01
Structure, haptics, color, tear strength, removability and cutting sensation had to be evaluated by five test persons with a metric scale between 1 and 5,
where 1 indicates 'very good'. The table shows average and standard deviation
in two cases. It was clearly recognizable that the finesse
demonstrated in performing each of these single steps increased
with the level of education.
For the simulated structures of bone, muscle, skin and
dura, different parameters (such as structure, haptics,
color, tear strength, removability and cutting sensation)
were assessed (Table 1). The first overall impression of
the head phantom was rated with average of 2.2 (sd
0.45). The rating for the bone structure showed the best
results, with an average of 1.3 (sd 0.5). The poorest
rating obtained was for the dura, with an average of
2.6 (sd 1).
The ergonomics and learning effects were assessed in the
second part of the questionnaire and showed very good results
(Table 2). The assessment of the increase of safety before
conducting the first interventions independently on patients
was rated with an average of 1.0 (sd 0).
Few critical comments were made related to the locking
mechanism and the stability of the ball joint construction for
fixing the head phantom in a plastic tray.
Each simulation was supervised by the same specialist
for neurosurgery. At the end of the training, he made an
assessment including a highlighting of possible errors and
improvement opportunities.
Table 2 Questionnaire, part two: evaluation of ergonomic comfort and learning effect by all five test persons and a metric scale from 1 to 5, where 1
indicates 'very good'
Avg Std Dev
n=5 n=5
Ergonomics related to Patient positioning
Visualization in software
Covered area tracking cameras
Handling pointer
Handling craniotome
Handling trepan
TOTAL average
The table shows average and standard deviation
1.60
1.00
2.00
1.20
1.40
1.40
1.43
0.55
0.00
0.71
0.45
0.89
0.89
0.58
Avg Std Dev
n=5 n=5
Learning effect related to Planning with navigation system
Patient positioning
Navigation system
Incision line
Craniotomy
Trepanation
TOTAL average
1.20
2.6
1.00
2.00
1.60
2.00
1.73
0.45
0.55
0.00
1.73
0.89
0.71
0.72
1242
Discussion
This proof of concept study identified strengths and weaknesses
of the training systems, and the results of the questionnaire look
very promising. The combination of theory and practice creates
the opportunity to teach and practice neurosurgical procedures
outside of the operating room, but nevertheless in a quite
realistic environment.
An important question to ask is whether human performance
can be improved through the use of a neurosurgical training
environment and whether that improvement can be measured
[3]. Therefore, a larger group of residents must statistically
examine the efficacy of the training system. A further extended
study has to validate the learning curves, which can be achieved
by repetitive exercises and a standardized evaluation method
to measure the expected improvement. Nevertheless, it could
be shown that the feedback from all test participants was
very positive related to the convenience in specialist training
for neurosurgery.
As described in the Introduction, the current state of the
art level training in the neurosurgical field mainly takes
place on virtual reality-based systems, during live surgeries
and in training on animal cadavers. The advantages of
phantom-based training systems compared with virtual
reality-based systems include the realistic tactile head
phantom, which can be used with real instruments, the
hand-to-eye-coordination during the simulation, as well
as the probable lower investment costs. On the other hand,
the limitation to the single use of the changeable modules
results in higher operational costs and leads to greater
strain of material resources. However, it should not be
considered as a competing product with virtual training
systems, but rather as complementary system that may close
the gap between training on a virtual-based training system
and training on patients.
Current and future development will focus on improving
and extending the functioning of the proposed training system.
Further development is required, especially in implementing
the ultrasound simulation tool and the suggested evaluation
concept. The locking mechanism was already improved, while
the challenge of a more stable solution for the ball joint still
needs to be addressed. Future development incorporates the
construction of two further modules for the occipital and the
parietal region to extend the possibilities for the training of
different access paths. A simulation of risk structures, such as
important nerves and blood vessels, will be integrated with the
aim to notice a corresponding injury and include it in the
training evaluation.
In general, the further development of phantom-based
training systems may have the potential to improve surgical
education in order to address risk management concerns,
patient safety and operating room management by more
effective training methods.
Acta Neurochir (2014) 156:1237–1243
Acknowledgment The described project was co-financed by the
European Union under the European Regional Development Fund
(EFRE, project number 14220/2466), while PHACON GmbH (Leipzig,
Germany) was involved as a project partner. All authors declare no
financial or personal conflict of interest regarding the material discussed
in the article.
Conflicts of interest None.
References
1. Aggarwal R, Darzi A (2005) Organising a surgical skills centre.
Minim Invasive Ther Allied Technol 14(4):275–279
2. Alaraj A, Charbel FT, Birk D, Tobin M, Luciano C, Banerjee PP,
Rizzi S, Sorenson J, Foley K, Slavin K, Roitberg B (2013) Role of
cranial and spinal virtual and augmented reality simulation using
immersive touch modules in neurosurgical training. Neurosurgery
72(l):A115–A123
3. Alaraj A, Lemole MG, Finkle JH, Yudkowsky R, Wallace A,
Luciano C, Banerjee PP, Rizzi SH, Charbel FT (2011) Virtual reality
training in neurosurgery: review of current status and future
applications. Surg Neurol Int 2:52
4. Bernardo A, Preul MC, Zabramski JM, Spetzler RF (2003) A threedimensional interactive virtual dissection model to simulate
transpetrous surgical avenues. Neurosurgery 52(3):499–505
5. Csókay A, Papp A, Imreh D, Czabajszky M, Valálik I, Antalfi B
(2013) Modelling pathology from autolog fresh cadaver organs as a
novel concept in neurosurgical training. Acta Neurochir PMID:
23624637
6. Evans AC, Janke AL, Collins DL, Baillet S (2012) Brain templates
and atlases. Neuroimage 62(2):911–922
7. Jenkinson M, Beckmann CF, Behrens TEJ, Woolrich MW, Smith SM
(2011) Fsl. Neuroimage 62(2):782–790
8. Kockro RA, Serra L, Tseng-Tsai Y, Chan C, Yih-Yian S, Gim-Guan
C, Lee E, Hoe LY, Hern N, Nowinski WL (2000) Planning and
simulation of neurosurgery in a virtual reality environment.
Neurosurgery 46(1):118–135
9. Kockro RA, Stadie A, Schwandt E, Reisch R, Charalampaki C, Ng I,
Yeo TT, Hwang P, Serra L, Perneczky A (2007) A collaborative
virtual reality environment for neurosurgical planning and training.
Neurosurgery 61(5 Suppl 2):379–391
10. Lemole GM Jr, Banerjee PP, Luciano C, Neckrysh S, Charbel FT
(2007) Virtual reality in neurosurgical education: part-task
ventriculostomy simulation with dynamic visual and haptic feedback.
Neurosurgery 61(1):142–148
11. Luciano C, Banerjee P, Lemole GM Jr, Charbel F (2006) Second
generation haptic ventriculostomy simulator using the immersivetouch
system. Stud Health Technol Inf 119:343–348
12. Malone HR, Syed ON, Downes MS, D'Ambrosio AL, Quest DO,
Kaiser MG (2010) Simulation in neurosurgery: a review of computerbased simulation environments and their surgical applications.
Neurosurgery 67(4):1105–1116
13. Radetzky A, Rudolph M (2001) Simulating tumour removal in
neurosurgery. Int J Med Inform 64:461–472
14. Radetzky A, Rudolph M, Starkie S, Davies B, Auer LM (2000)
Robo-sim: a simulator for minimally invasive neurosurgery using
an active manipulator. Stud Health Technol Inf 77:1165–1169
15. Radetzky A, Schröcker F, Auer LM (2000) Improvement of surgical
simulation using dynamic volume rendering. Stud Health Technol Inf
70:272–278
16. Robison RA, Liu CY, Apuzzo ML (2011) Man, mind, and machine:
the past and future of virtual reality simulation in neurologic surgery.
World Neurosurg 76(5):419–430
Acta Neurochir (2014) 156:1237–1243
17. Roser F, Pfister G, Tatagiba M, Ebner FH (2013) Live surgery in
neurosurgical training courses: essential infrastructure and technical
set-up. Acta Neurochir. doi:10.1007/s00701-012-1578-8
18. Sato D, Kobayashi R, Kobayashi A, Fujino S, Uchiyama M (2006)
Soft tissue pushing operation using a haptic interface for simulation
of brain tumor resection. J Robot Mechatron 18(5):634–642
1243
19. Spicer MA, van Velsen MV, Caffrey JP, Apuzzo ML (2004)
Virtual reality neurosurgery: a simulator blueprint. Neurosurgery
54(4):783–797
20. Stredney D, Wiet GJ, Bryan J, Sessanna D, Murakami J, Schmalbrock
P, Powell K, Welling B (2002) Temporal bone dissection simulation—
an update. Stud Health Technol Inf 85:507–513
5 Publikation 2 - Evaluation of a novel
phantom-based neurosurgical training
system
33
[Downloaded free from http://www.surgicalneurologyint.com on Monday, December 15, 2014, IP: 139.18.24.114] || Click here to download free Android application fo
this journal
Surgical Neurology International
OPEN ACCESS
For entire Editorial Board visit :
http://www.surgicalneurologyint.com
Editor:
James I. Ausman, MD, PhD
University of California, Los
Angeles, CA, USA
Original Article
Evaluation of a novel phantom‑based neurosurgical training
system
Andrea Müns1, Jürgen Meixensberger1,2, Dirk Lindner1
Department of Neurosurgery, University Hospital Leipzig, 2Innovation Center, Computer Assisted Surgery, University Leipzig, Saxony, Germany
1
E‑mail: *Andrea Müns ‑ [email protected]‑leipzig.de; Jürgen Meixensberger ‑ [email protected]‑leipzig.de;
Dirk Lindner ‑ [email protected]‑leipzig.de
*Corresponding author
Received: 24 July 14 Accepted: 16 September 14 Published: 06 December 14
This article may be cited as:
Müns A, Meixensberger J, Lindner D. Evaluation of a novel phantom-based neurosurgical training system. Surg Neurol Int 2014;5:173.
Available FREE in open access from: http://www.surgicalneurologyint.com/text.asp?2014/5/1/173/146346
Copyright: © 2014 Müns A. This is an open‑access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution,
and reproduction in any medium, provided the original author and source are credited.
Abstract
Background: The complexity of neurosurgical interventions demands innovative
training solutions and standardized evaluation methods that in recent times have
been the object of increased research interest. The objective is to establish an
education curriculum on a phantom‑based training system incorporating theoretical
and practical components for important aspects of brain tumor surgery.
Methods: Training covers surgical planning of the optimal access path based on
real patient data, setup of the navigation system including phantom registration
and navigated craniotomy with real instruments. Nine residents from different
education levels carried out three simulations on different data sets with varying
tumor locations. Trainings were evaluated by a specialist using a uniform score
system assessing tumor identification, registration accuracy, injured structures,
planning and execution accuracy, tumor accessibility and required time.
Results: Average scores improved from 16.9 to 20.4 between first and third
training. Average time to craniotomy improved from 28.97 to 21.07 min, average
time to suture improved from 37.83 to 27.47 min. Significant correlations were
found between time to craniotomy and number of training (P < 0.05), between time
to suture and number of training (P < 0.05) as well as between score and number
of training (P < 0.01).
Conclusion: The training system is evaluated to be a suitable training tool
for residents to become familiar with the complex procedures of autonomous
neurosurgical planning and conducting of craniotomies in tumor surgeries.
Becoming more confident is supposed to result in less error‑prone and faster
operation procedures and thus is a benefit for both physicians and patients.
Access this article
online
Website:
www.surgicalneurologyint.com
DOI:
10.4103/2152-7806.146346
Quick Response Code:
Key Words: Neurosurgical education, phantom, training system, tumor resection
INTRODUCTION
During brain tumor surgeries, the interactions between
the surgeon and numerous technical components
are complex and should ideally be learned during a
standardized training that can be verified objectively.
Traditional concepts in neurosurgical training are live
surgeries[23] or training on animal cadavers.[7] Teaching
during surgery results in longer operating times and may
increase the overall risk to the patient.[2] In contrast,
surgical simulation and skill training offer an opportunity
to teach and practice in a nonrisk environment where
[Downloaded free from http://www.surgicalneurologyint.com on Monday, December 15, 2014, IP: 139.18.24.114] || Click here to download free Android application fo
this journal
Surgical Neurology International 2014, 5:173http://www.surgicalneurologyint.com/content/5/1/173
surgeons can develop and refine skills through harmless
repetition.[16] Surgical organizations are calling for
methods to ensure the maintenance of skills, advance
surgical training, and credential surgeons as technically
competent.
The state of the art simulation systems in neurosurgery
are virtual reality‑based systems,[3,10,22,27] which use force
feedback[14,15,24,25] partly in combination with augmented
reality.[1] Some models assist in procedure planning,
augment the visual‑spatial learning of complex surgical
approaches and simulate technical components of
neurosurgical
procedures.[12,16,19]
Other
simulation
environments combine a graphic interface with a
graphic display and the corresponding software, such
as Dextroscope,[13] Cranial Base Surgery Simulators,[5,26]
ROBO‑SIM,[20,21] and ImmersiveTouch.[15] Unfortunately
virtual reality‑based systems are currently limited by
the computational complexity, the arduous process of
manually segmenting volume‑rendered models, the great
expense of sophisticated haptic interfaces[16] and the
restricted hand–eye coordination.
Harrop et al.[11] reported that the apprenticeship model
of neurosurgical training and education created lengthy
work days, altered sleep patterns, and potentially a
limited educational environment, which may have an
adverse effect on surgical proficiency. The resulting
work hour restriction for residents by the Accreditation
Council for Graduate Medical Education (ACGME)
reduced the available time for teaching and
education.[9] These increasing challenges led to a higher
demand for the incorporation of simulation into the
educational
curriculum.[2,4,6,8,13,16,18]
Phantom‑based
training systems already exist, for example, for spinal
simulation as recently described in.[11] In contrast, at
the onset of this project no established training system
for navigated craniotomies was available. The convincing
results of a first qualitative evaluation in the framework
of a feasibility study were published in 2014.[17] That
qualitative survey aimed to identify weaknesses and
strengths by means of a questionnaire with questions
to all used materials, to the handling and ergonomic
of the system. This new manuscript describes a more
quantitative evaluation approach of the same system.
The focus of this study was more on the achievable
learning effect of repetitive exercises on different datasets
by same participant.
phantom with a changeable frontotemporal module,
a two‑camera tracking system and a laptop with the
corresponding navigation software [Figure 1]. To satisfy
the requirement to have a visualization of a patient’s
dataset that is suitable to the phantoms hardware,
a method was developed for integrating real patient
datasets into the predefined structures of the Montreal
neurological institute (MNI) template.[17] An important
question to ask is whether human performance can be
improved through the use of a neurosurgical training
environment and whether that improvement can be
measured.[2] To quantitatively examine the practicability
of the training system, a group of nine residents were
asked to perform three simulations on different patient
data sets on varying tumor locations in the frontotemporal
region [Figure 2]. For each tumor location, a standard was
defined concerning the minimal distance to surrounding
risk structures and landmarks, the length of the skin
incision and the size of the craniotomy in relation to
the tumor size and the acceptable number of drilling
holes. Depending on the tumor location and the most
likely access path, a minimal distance to surrounding
risk structures was defined for each dataset, for example,
distance to the ear, to the marked hairline, or to the
sinus sagittalis. To estimate the standard for the length
of the skin incision length and the size of the craniotomy,
the maximum expansion of the tumor was measured in
the corresponding magnetic resonance imaging (MRI)
dataset on two perpendicular directions in the axial slices.
The range for a valid length of the skin incision was
defined to be between two and four times of the average
of those two maximum values. Likewise the range for
a valid craniotomy size was defined to be between that
square average value and the square of the average value
plus 2 cm. The number of acceptable drilling holes was
defined to be between one and two for all data sets.
Every simulation was supervised and evaluated by
the same specialist and assisted by the same research
MATERIALS AND METHODS
Due to the lack of phantom‑based simulation devices for
cranial surgeries, a training system was developed in an
iterative process in close collaboration with the specialist
company PHACON GmbH (Leipzig, Germany),[17]
which also developed the recently introduced cervical
spine simulator.[11] The system comprises a tactile head
Figure 1: Phantom-based training system with head phantom fixed
with a ball joint in a plastic tray, changeable module, two-camera
tracking system and laptop with navigation software, original
instruments from Aesculap (Microspeed uni, Aesculap AG,
Tuttlingen, Germany) for drilling and milling
[Downloaded free from http://www.surgicalneurologyint.com on Monday, December 15, 2014, IP: 139.18.24.114] || Click here to download free Android application fo
this journal
Surgical Neurology International 2014, 5:173http://www.surgicalneurologyint.com/content/5/1/173
Figure 3: Milling device in action (Microspeed uni, Aesculap AG,
Tuttlingen, Germany), accompanied by water flushing
Figure 2: Three different tumor locations; upper row: metastases
temporal, 24 × 22 × 16 mm; middle row:Two metastases precentral,
33 × 19 × 27 mm; bottom row:Three metastases (frontal, precentral,
pons) frontal metastases 20 × 23 × 22 mm. The datasets were
arranged with an increasing level of difficulty
associate to avoid a possible imbalance in favor of any
participant.
Before starting the first simulation, a short introduction
to the training system was given to every participant,
comprising the handling of the ball joint for head
positioning, the handling of the camera device for proper
adjustment as well as the operation of the navigation
software. The same specialist always gave the explanation
exactly in the same way. During the simulation, all
participants were left on their own and questions were
answered only afterwards to guarantee equality of
opportunities.
Training started with a didactic component with questions
on tumor identification and surrounding risk structures
in the patient’s dataset. The subsequent simulation was
carried out with real instruments and covered surgical
planning of the optimal access path, the setup of the
navigation system including a marker‑based registration
of the head phantom and the navigated craniotomy
with preparation of simulated skin and possibly also
muscle structure as well as drilling and milling of the
simulated bone structure. The craniotomy was performed
with a trepanning tool and a milling device from
Aesculap (Microspeed uni, Aesculap AG, Tuttlingen,
Germany), both accompanied by water flushing [Figure 3].
Simulation finishes with the removal of the bony lid.
The specialist awarded the points during the simulation
using a standardized protocol with reference values
for every dataset. Criteria to be met were the correct
identification of the tumor(s) and surrounding risk
structures, phantom positioning, setup of the navigation
system, registration accuracy, planning of the optimal
access path, positioning and length of the skin incision,
distance to risk structures, muscle and dura preparation,
positioning and size of the craniotomy and finally for
skin suture and tumor accessibility [Table 1]. In total,
a score of 23 could be obtained for each simulation.
Scores were graded mainly as either correct, receiving
a point, or not correct, receiving a zero. Exceptions
were made with a graded score of more than one point
for registration accuracy or accessibility of the tumor.
A registration accuracy of less than 1 mm in the first
trial was rated with two points and in the second try
with one point. Tumor accessibility was rated with
three points if the tumor was within the perpendicular
projection from the margin of the craniotomy in
anterior–posterior expansion, in latero‑lateral expansion
as well as inferior–superior expansion. If it failed to be
within one/two of the three expansion directions, two
one point(s) were given. Scores were awarded without
interrupting the simulation. Afterwards, participants
were informed of the obtained score and the reasons for
not achieved points. Recommendations were made by
the specialist with specific focus on the access path to
the trained tumor location, camera positioning, use of the
navigation support and potential complications resulting
of the way of skin incision, placing of drilling holes and
craniotomy.
To get a further measurement for the hypothesized
learning curves, achievable by repetitive exercises on
different datasets with increasing difficulty factor, time
to craniotomy and time to suture were recorded for
each simulation. Time to craniotomy includes all steps
from planning until the removal of the bone lid, time to
suture includes additionally the time needed to finish the
suture. Both times were recorded in order to exclude the
[Downloaded free from http://www.surgicalneurologyint.com on Monday, December 15, 2014, IP: 139.18.24.114] || Click here to download free Android application fo
this journal
Surgical Neurology International 2014, 5:173http://www.surgicalneurologyint.com/content/5/1/173
Table 1: Score system for a uniform evaluation of the
simulations. The maximum of achievable points was 23.
One specialist awarded the points in all trainings
Score system
1. Identification of tumor and surrounding risk structures
Tumor (s) identified?
Surrounding risk structures appointed?
2. Head positioning+setup navigation
Positioning optimal for patient?
Positioning - tumor accessible?
Tracking camera adjustment covers necessary field of
view?
3. Registration phantom
TRE<1 mm in first (2 points)/second try (1 point)
4. Access path planning with navigation support
Navigation system used for planning?
5. Skin incision
Length (average tumor size *2> <average tumor *4)?
Incision form (straight incision=straight?, curved
incision=end points with enough distance?)
Distance risk structures (e.g., ear, sinus sagittalis)?
Tumor accessible by skin incision?
Muscle injured accidentally? (if so, no point)
Planned incision respected?
Sufficient suture?
6. Drilling holes
Navigated control before execution?
Max. number exceeded (1-2)
Dura injured accidentally? (if so, no point)
Drilling holes outside skin incision?
7. Trepanation
Size (average tumor size *average tumor size> <(average
tumor size+2 cm) *(average tumor size+2 cm))?
Tumor accessible by craniotomy? (3 points if accessible
in a‑p, l‑l and inf‑sup expansion, 2 points if accessible
only in 2 directions, 1 point if accessible only 1 direction)
Maximum
score
1
1
1
1
1
2
1
1
1
1
1
1
1
1
1
1
1
1
1
3
23
TRE: Target registration error
impact of different skin incision lengths on the outcome.
Time distances between the single trainings were tried
to arrange nearly comparable within all participants.
Unfortunately the variance between the single trainings
ranged between 5 days and 8 weeks at the end due to
lacks of availability of the residents.
RESULTS
Nine neurosurgery residents completed three simulations
on different data sets with varying tumor locations, all in
the frontotemporal region. There was a preponderance of
male residents (7 males to 2 females). The individual’s
level of training varied with: 3 post graduate year (PGY)‑2,
2 PGY‑3, 1 PGY‑5, 1 PGY‑6, 1 PGY‑7, and 1 PGY‑8.
Between the first and the third training, an average
improvement of 3.6 score points was achieved and
the average score increased from training to training
[Table 2 and Figure 4]. Time to craniotomy decreased
continuously during the trainings, between first and
third training in average 7.9 min [Table 2 and Figure 5].
Time to suture decreased as well, in average 9.1 min
[Table 2 and Figure 5]. Injuries of the muscle during
the skin incision decreased from 67% (6/9) in the first
simulation to 33% (3/9) in the second simulation and
finally 0% in the third simulation, while injuries of the dura
barely decreased from 56% (5/9) in the first simulation to
44% (4/9) in the second and third simulation.
For the adjustment and usage of the navigation support
during the simulation, including the registration process,
a maximum of four points was awarded. In the first
simulation, an average score of 58% (2.3/4) was achieved
that improved to 75% (3/4) in the second simulation and
finally to 97% (3.9/4) in the third simulation. The Pearson’s
coefficient shows significant correlations between number
of training and time to craniotomy (r = 0.46, P = 0.01),
between number of training and time to suture (r = 0.45,
P = 0.01) as well as between number of training and
score (r = 0.62, P < 0.001).
Figure 4: Boxplot: Improvement of score during three trainings. The significant correlation between number of training and score is also
reflected in the Boxplot
[Downloaded free from http://www.surgicalneurologyint.com on Monday, December 15, 2014, IP: 139.18.24.114] || Click here to download free Android application fo
this journal
Surgical Neurology International 2014, 5:173http://www.surgicalneurologyint.com/content/5/1/173
Table 2: Average results of score and time to craniotomy/
time to suture for three trainings and 9 participants
n
Score
Time to craniotomy Time to suture in
in min
min
Min Max Avg Min
Training 1 9 15
Training 2 9 15
Training 3 9 17
21 16.9 19.6
20 18.2 15.2
23 20.8 13.7
Max
Avg
Min
Max
Avg
38.5
31.2
30.5
29
24.1
21.1
24.7
36.3
18.3
53.6
20.1
39.4
37.8
30.4
28.6
The Pearson’s coefficient shows well significant
correlations between level of training (PGY) and time
to craniotomy (r = 0.61, P < 0.001) as well as between
level of training (PGY) and time to suture (r = 0.61,
P < 0.001). No significant correlation could be found
between level of training (PGY) and score (r = 0.07,
P = 0.69).
A two‑factor analysis of variance (ANOVA) for repeated
measurements was performed to quantify the impacts
of repeated simulation and the level of training (PGY)
on the score and on the time to craniotomy/suture. The
Mauchly’s test of sphericity did not show a violation
of the criteria of homogeneity of variance between
the factor levels in any case. However, a Greenhouse–
Geisser correction was calculated for each ANOVA
since the sample size was quite small. The results
confirm significant impacts of repeated simulation on
time to craniotomy (P = 0.01, Greenhouse–Geisser
correction P = 0.03), on time to suture (P = 0.03,
Greenhouse–Geisser correction P = 0.03) as well as
on score (P = 0.003, Greenhouse–Geisser correction
P = 0.02). The interaction between the factors
repeated simulation and level of training (PGY) did
not show a significant impact neither on time to
craniotomy (P = 0.57) and time to suture (P = 0.48),
nor on score (P = 0.12).
DISCUSSION
The significant correlations between number of training
and time to craniotomy/time to suture/score indicate
learning curves that can be achieved by repeated trainings
on different datasets with varying tumor locations in the
frontotemporal area. The improvement is probably due
in part to the familiarization with the training system.
But since all participants also stated subjectively that
training increases the confidence level in dealings with
the interactions between navigation support, instrument
use, and surgeon,[17] an actual learning curve is also
hypothesized. This assumption is also reflected by the
constant improvement of score values corresponding
to the navigation system. The difference of the
improvement related to detected injuries of muscle and
dura may be explained by material characteristics and
the fact that the Dura obtained the poorest rating in the
Figure 5: Boxplot: Improvement of time to craniotomy/time to
suture in min during three trainings. The significant correlation
between number of training and time to craniotomy/time to suture
is also reflected in the Boxplot
survey.[17] The problem during the construction process
was the low material thickness in combination with the
challenge to attach it to the bony structure. All tested
adhesives did not give a satisfactory result concerning the
adhesive residues. That is why the decision was made in
favor of a direct casting onto the bony structure for the
modules used in the second study. The result is that the
silicone mix needs to be adapted in a way that makes the
material more elastic before it tears.
The correlation coefficients between level of
training (PGY) and time to craniotomy/time to suture
show significant results, that do not coincide with the
results of the Anova. Six different levels of training (PGY)
within the small sample size of nine residents could give a
coherent explanation. Anyway, the significant correlation
coefficients between PGY and time to craniotomy/
suture confirm the assumption that residents with higher
education level are more experienced and thus faster in
conducting the simulations.
Since different tumor locations are associated with
different access paths, the requirements for tissue
preparation vary from dataset to dataset. Thus, the
comparability of the simulations is affected. To exclude
a positive impact on the results, datasets were arranged
such that the complexity increased from case to case.
For example, the tumor in the third dataset required the
greatest effort in muscle preparation due to its location
in the frontal lobe [Figure 2, lower row].
The evaluation study shows a learning effect that is
expressed in score improving and time decreasing, which
is probably due in part to the familiarization with the
system. As well it is a legitimate question to ask, if the
training on the simulator improves surgical skills during
real life procedures. Of course the haptic feedback is
different on a phantom and as well the psychological
[Downloaded free from http://www.surgicalneurologyint.com on Monday, December 15, 2014, IP: 139.18.24.114] || Click here to download free Android application fo
this journal
Surgical Neurology International 2014, 5:173http://www.surgicalneurologyint.com/content/5/1/173
situation is not comparable with the scenario in the
operating room while treating a patient. It is hardly
possible to find a suitable instrument to measure the
transferability of the acquired competences. However,
the study showed that the training environment offers
certain advantages in comparison to the operating room.
During the initial phase of resident training, the main
part consists of assisting surgeries and thus does not offer
much learning potential in autonomous decision making
or draw conclusions from mistakes, such as, for example,
of a incorrect planning of the access path. The concepts
for correct head positioning depending on the tumor
location can be assumed to be transferable to the
operating room and offer the opportunity of autonomous
positioning by the resident during real life procedures.
The handling of the navigation device, including camera
positioning at the beginning, using the navigation during
the planning and as well the navigated control before
placing the drilling holes, are as well quite similar to
the procedures during real surgeries and may lead to
more confidence and understanding.
Despite the usage of a standardized score system, an
automatic software‑based evaluation would be more
objective and independent of the assessment of a
specialist. Another limitation of the study is the small size
of participants. An extended study with more participants
from different neurosurgical clinics would provide a
more reliable base for the results. Current development
is focusing on implementing a software‑based evaluation
based on tracked surgical instruments and deposited
master access paths for every dataset.
After the implementation of this automatic evaluation
method, a further study with more participants is
planned, that will try to show that the learning effect
is not only due to getting familiar with the system by
comparing the results of the training of a resident group
with a specialist group. As well a further study will try
to show the transferability of the learning effect by
developing an evaluation method for measuring the
surgical skills directly in the operating room to get the
chance to compare them before and after repetitive
training on the phantom. A didactic posttest with the
same questions than a didactic pretest could be an
efficient tool for measuring the improvement concerning
the theoretical concepts, as recently proposed by Harrop
et al.[11]
In general, the further development of phantom‑based
training systems may have the potential to
improve surgical education in order to address risk
management concerns, patient safety, and operating room
management by more effective training methods. The
direct recognition of the consequences of autonomous
decision making is supposed to result in less error‑prone
and faster operation procedures.
ACKNOWLEDGMENT
The described project was co‑financed by the European Union
under the European Regional Development Fund (EFRE,
project
number
14220/2466),
while
the
PHACON
GmbH (Leipzig, Germany) was involved as project partner. All
authors state that there is no financial or personal conflict of
interest regarding the material discussed in the article.
REFERENCES
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
Alaraj A, Charbel FT, Birk D, Tobin M, Luciano C, Banerjee PP, et al. Role of
cranial and spinal virtual and augmented reality simulation using immersive
touch modules in neurosurgical training. Neurosurgery 2013;72:115‑23.
Alaraj A, Lemole MG, Finkle JH, Yudkowsky R, Wallace A, Luciano C, et al.
Virtual reality training in neurosurgery: Review of current status and future
applications. Surg Neurol Int 2011;2:52.
Arnold P, Farrell MJ. Can virtual reality be used to measure and train surgical
skills? Ergonomics 2002;45:362‑79.
Auer LM,Auer DP.Virtual endoscopy for planning and simulation of minimally
invasive neurosurgery. Neurosurgery 1998;43:529‑37.
Bernardo A, Preul MC, Zabramski JM, Spetzler RF. A three dimensional
interactive virtual dissection model to simulate transpetrous surgical avenues.
Neurosurgery 2003;52:499‑505.
Chan S, Conti F, Salisbury K, Blevins NH. Virtual reality simulation in
neurosurgery: Technologies and evolution. Neurosurgery 2013;72:154‑64.
Csókay A, Papp A, Imreh D, Czabajszky M, Valálik I, Antalfi B. Modelling
pathology from autolog fresh cadaver organs as a novel concept in
neurosurgical training. Acta Neurochir (Wien) 2013;155:1993‑5.
Cusimano MD.Virtual reality surgery: Neurosurgery and the contemporary
landscape a three‑dimensional interactive virtual dissection model to simulate
transpetrous surgical avenues. Neurosurgery 2003;53:1010‑1.
Durkin ET, McDonald R, Munoz A, Mahvi D. The impact of work hour
restrictions on surgical resident education. J Surg Educ 2008;65:54‑60.
Haase J, Musaeus P, Boisen E. Virtual reality and habitats for learning
microsurgical skills, In: Andersen P, Qvortrup L, editors.Virtual Applications.
London: Springer; 2004. p. 29‑48.
Harrop J, Rezai AR, Hoh DJ, Ghobrial GM, Sharan A. Neurosurgical
training with a novel cervical spine simulator: Posterior foraminotomy and
laminectomy. Neurosurgery 2013;73:94‑9.
Kockro RA, Stadie A, Schwandt E, Reisch R, Charalampaki C, Ng I.
A collaborative virtual reality environment for neurosurgical planning and
training. Neurosurgery 2007;61:379‑91.
Kockro RA, Serra L, Tseng‑Tsai Y, Chan C,Yih‑Yian S, Gim‑Guan C. Planning
and simulation of neurosurgery in a virtual reality environment. Neurosurgery
2000;46:118‑35.
Lemole GM Jr, Banerjee PP, Luciano C, Neckrysh S, Charbel FT.Virtual reality
in neurosurgical education: Part‑task ventriculostomy simulation with dynamic
visual and haptic feedback. Neurosurgery 2007;61:142‑9.
Luciano C, Banerjee P, Lemole GM Jr, Charbel F. Second generation haptic
ventriculostomy simulator using the immersive touch system. Stud Health
Technol Inform 2006;119:343‑8.
Malone HR, Syed ON, Downes MS, D’Ambrosio AL, Quest DO, Kaiser MG.
Simulation in neurosurgery: A review of computer‑based simulation
environments and their surgical applications. Neurosurgery 2010;67:1105‑16.
Müns A, Mühl C, Haase R, Möckel H, Chalopin C, Meixensberger J, et al.
A neurosurgical phantom‑based training system with ultrasound simulation.
Acta Neurochir (Wien) 2014;155:1237‑43.
Neubauer A, Wolfsberger S. Virtual endoscopy in neurosurgery: A review.
Neurosurgery 2013;72:97‑106.
Radetzky A, Rudolph M. Simulating tumour removal in neurosurgery. Int J
Med Inform 2001;64:461‑72.
Radetzky A, Rudolph M, Starkie S, Davies B, Auer LM. Robo‑sim: A simulator
for minimally invasive neurosurgery using an active manipulator. Stud Health
Technol Inform 2000;77:1165‑9.
[Downloaded free from http://www.surgicalneurologyint.com on Monday, December 15, 2014, IP: 139.18.24.114] || Click here to download free Android application fo
this journal
Surgical Neurology International 2014, 5:173http://www.surgicalneurologyint.com/content/5/1/173
21. Radetzky A, Schröcker F, Auer LM. Improvement of surgical simulation using
dynamic volume rendering. Stud Health Technol Inform 2000;70:272‑8.
22. Robison RA, Liu CY, Apuzzo ML. Man, mind, and machine: The past and
future of virtual reality simulation in neurologic surgery. World Neurosurg
2011;76:419‑30.
23. Roser F, Pfister G,Tatagiba M, Ebner FH. Live surgery in neurosurgical training
courses: Essential infrastructure and technical set‑up.Acta Neurochir (Wien)
2013;155:541‑5.
24. Sato D, Kobayashi R, Kobayashi A, Fujino S, Uchiyama M. Soft tissue pushing
operation using a haptic interface for simulation of brain tumor resection.
J Robot Mechatron 2006;18:634‑42.
25. Spicer MA, van Velsen M, Caffrey JP, Apuzzo ML.Virtual reality neurosurgery:
A simulator blueprint. Neurosurgery 2004;54:783‑98.
26. Stredney D, Wiet GJ, Bryan J, Sessanna D, Murakami J, Schmalbrock P.
Temporal bone dissection simulation–an update. Stud Health Technol Inform
2002;85:507‑13.
27. Sure U, Miller D, Bozinov O. Neurosurgical training in Europe, problems and
possible solutions. Surg Neurol 2007;67:626‑8.
Commentary
We have artists with no scientific knowledge and scientists
with no artistic knowledge, and both with no spiritual
sense of gravity at all, and the result is not just bad, it’s
ghastly.[4]
Every beginning is difficult; man is born with little
knowledge and skills and develops these through lifetime
training. Furthermore, it is evident that we cannot teach
all trainees using the standard apprenticeship, combined
with our reduced working hours, in the future.[7]
Simple statements such as “We have the ambition to give
the participants, trainees or specialists an update on the
practical as well as the theoretical aspects of microvascular
anastomosis techniques, with special relevance to
neurosurgery” found in the Scandinavian Manual for
Microsurgery are insufficient for a modern training
system. Skill learning or dexterity such as constructing
a microvascular anastomosis is to develop an increase in
spatial and temporal accuracy of hand/finger movements
with practice and involves the acquisition of new skilled
movements. It refers to the ability of an individual
trainee to acquire the temporal and spatial characteristics
of movement patterns, so that pre‑programmed processes
will increasingly characterize their execution. Abilities
are the prerequisites for the training and performance of
motor skills.
Surgical education is based on a combination of
developing both skills and clinical patient handling. With
skills we must understand the correct use of the hands,
the effect of eventual tremor, the use of appropriate
instruments, spatial awareness, organization, and control
of environment. These skills are programmed into the
basal ganglia in order to become automatic.[5] So, tested
in a simple way, manual dexterity among physicians
and surgeons showed no significant differences between
medical and surgical residents and psycho‑motor skill
was not the major factor in distinguishing the proficient
surgical performance from the mediocre one.[6]
Developing dexterity, we start moving our fingers and
instruments using our primary cortex, but it changes
slowly to automatism. Swedenborg stated that all
processes moving toward greater perfection move from
general things to particulars (details). This process is
according to “divine order” and holds true in playing the
piano. Notes and keys have to be learned first, but their
knowledge is not enough. When we first attempt to play
the piano, we only have control over general groups of
muscles in the fingers. Through years of practice, these
general groups of muscles offer less and less resistance
until we gain greater control of the particular muscle
fibers within those groups. This gives our fingers both
greater dexterity and greater responsiveness (pliability)
to the knowledge and will of the brain. Finally, success
leads the piano practitioner to a state of joy and
happiness that simulates reaching a kind of “heaven.”
This is the reason why a concert pianist trains for
hours daily to perfect his piano playing.[2] Therefore,
measuring speed, precision, knot‑binding, etc., cannot
be used as the sole monitoring of a neurosurgeon’s
standard. It seems obligatory that one needs to specify
the specific trainee’s personal abilities in order to
combine these abilities in the best possible way within
a training program. On the contrary, we must also agree
that a neurosurgeon without abilities to use instruments
in the surgical field can never become a proficient
surgeon.
Environment is important. We know that brain surgery
involves the risk of losing patient’s lives. Therefore,
we must be able to handle stress during surgery.
A surgeon who thinks he can carry out a microsurgical
procedure just by grabbing the microscope (that was
just presented at a scientific meeting) and the entire
toolkit of microinstruments has not understood this
paradigm and surgical disasters are bound to follow.
The complex neurosurgical brain operations, therefore,
make it mandatory to create an innovative training
set‑up and a kind of evaluation system that can provide
the teacher and the trainee with progress. The use of
6 Zusammenfassung
Dissertation zur Erlangung des akademischen Grades
Dr. rer. med.
Entwicklung und Evaluation eines
neurochirurgischen phantom-basierten
Trainingssystems zur Planung und
Durchführung von Kraniotomien in der
operativen Behandlung intrakranieller
Tumore
eingereicht von:
Dipl. Inf. Andrea Müns, geboren am 28.01.1982 in Rodewisch
angefertigt in:
Klinik und Poliklinik für Neurochirurgie, Medizinischen Fakultät, Universität
Leipzig
betreut von: Prof. Jürgen Meixensberger / Dr. med. Dirk Lindner
41
6 Zusammenfassung
Aufgrund der zunehmenden komplexen Verzahnung zwischen Operateur und technischen Komponenten bei Hirntumoroperationen, werden innovative Trainingslösungen und standardisierte Evaluationsmethoden in der neurochirurgischen Facharztausbildung angestrebt. Phantombasierte Trainingssysteme können die derzeitige Ausbildung sinnvoll ergänzen, indem sie eine risikoarme Umgebung außerhalb des Operationssaal schaffen. Dabei können praktische und theoretische Komponenten
der Hirntumorchirurgie in wiederholbaren Trainingseinheiten ohne Risiko für den Patienten miteinander verbunden werden.
Innerhalb eines EFRE (Europäischer Fond für regionale Entwicklung)
geförderten Kooperationsprojektes mit der Firma Phacon GmbH wurde
ein Prototyp eines solchen Trainingssystems entwickelt. Das enthaltene
Kopfphantom besteht aus einer dreiteiligen Konstruktion mit wiederverwendbarem Basissystem und Adapter in Kopfform, sowie einem austauschbaren Modul für die einmalige Verwendung je Trainingseinheit.
Eine zweiarmige Kamera zeichnet Trackingdaten auf, während ein Laptop inklusive zugehöriger Software als Navigationsplattform dient. Die
Grundlage für die Navigation bilden reale MRT Patientendatensätze, die
entsprechend auf die Anatomie des Kopfphantoms adaptiert wurden.
Ein Trainingslauf deckt die chirurgische Planung des optimalen Zugangsweges, die Kopflagerung, die Einstellung der Trackingkameras, die Registrierung des Kopfphantoms, sowie die navigierte Kraniotomie mit realen
OP-Instrumenten ab.
Der entwickelte Prototyp wurde hinsichtlich seiner Anwendbarkeit in der
neurochirurgischen Facharztausbildung in einer ersten Proof-of-ConceptStudie evaluiert, wobei fünf Assistenzärzte verschiedenen Ausbildungsgrades jeweils ein komplettes Training auf dem gleichen Patientendatensatz durchführten. Anschließend war ein Fragebogen zur Bewertung der
einzelnen Systemkomponenten auszufüllen. Die Auswertung der Fragebögen ergab im Mittel das Resultat gut für die Phantomkonstruktion
und die verwendeten Materialien. Der Lerneffekt bezüglich der navigierten Planung wurde genauso wie der Effekt auf das Sicherheitsgefühl des
Operateurs vor Ausführung der ersten eigenständig durchgeführten Kraniotomien als sehr gut eingeschätzt. Konstruktive Verbesserungsvorschläge wurden nach Studienabschluss bereits umgesetzt [23].
In einer zweiten Evaluationsstudie lag der Fokus auf potentiell erreichbaren Lernkurven durch wiederholte Trainingseinheiten auf verschiedenen Datensätzen. Dazu führten neun Assistenzärzte verschiedener Ausbildungsgrade jeweils drei Trainings auf Datensätzen mit differenten Tumorlokalitäten durch. Während des Trainings wurden durch einen Facharzt die einzelnen Ausführungsschritte beobachtet und bewertet. Insge-
42
6 Zusammenfassung
samt konnten in einem Trainingsdurchlauf 23 Punkte erreicht werden,
welche für Kriterien wie Tumoridentifikation, Kopflagerung, Registrierungsgenauigkeit, Schonung vordefinierter Risikostrukturen, Planungsund Ausführungsgenauigkeit, Tumorerreichbarkeit und Hautnaht vergeben wurden. Für alle Schritte wurde die benötigte Zeit aufgezeichnet.
Im Mittel wurde ein Punktanstieg zwischen dem ersten und dem dritten
Training von 16.9 auf 20.4 Punkte verzeichnet. Die mittlere Zeit bis zur
Kraniotomie verbesserte sich von rund 29 Minuten auf rund 21 Minuten
zwischen dem ersten und dem dritten Trainingsdurchlauf. Die benötigte
Zeit bis zur Hautnaht sank im Mittel von rund 38 Minuten auf rund
27 Minuten zwischen dem ersten und dem dritten Training. Signifikante
Korrelationen wurden zwischen Zeit bis zur Kraniotomie und Trainingsanzahl (p < .05), zwischen Zeit bis zur Hautnaht und Trainingsanzahl
(p < .05) sowie zwischen erreichter Punktzahl und Trainingsanzahl ( p
< .01) gefunden.
Die Ergebnisse beider Studien weisen darauf hin, dass das entwickelte Trainingssystem einen vielversprechenden Ansatz für die Ergänzung
der derzeitigen Facharztausbildung in der Neurochirurgie darstellt. Durch
die risikoarme Simulationsumgebung können theoretische und praktische
Aspekte der Hirntumorchirurgie sinnvoll verbunden werden. Dem Assistenzarzt wird die Möglichkeit gegeben, sich mit den komplexen Strukturen von eigenständig durchgeführten Kraniotomien vertraut zu machen
und damit die anfängliche Lernkurve in die Trainingsumgebung zu verlagern.
Hinterfragt werden muss, inwieweit es das Trainingssystem ermöglicht,
die chirurgischen Fähigkeiten so zu verbessern, dass diese auch in die
reale OP-Umgebung unter realen Bedingungen übertragbar sind und wie
diese potentielle Verbesserung zu messen ist [3]. Natürlich unterscheidet
sich das haptische Feedback am Trainingsphantom gegenüber der realen menschlichen Anatomie. Weiterhin sind die psychologische Situation
und der Erwartungsdruck im OP-Saal nicht mit einer Trainingsumgebung vergleichbar. Es ist daher nicht einfach, ein geeignetes Messinstrument für die Übertragbarkeit des Lerneffektes auf reale OP-Bedingungen
zu finden. Nichts desto trotz konnten die beiden durchgeführten Studien bereits zeigen, dass eine Trainingsumgebung Vorteile gegenüber der
Situation im OP-Saal bietet. Gerade die Anfangszeit der Facharztausbildung ist größtenteils durch Assistieren im OP-Saal gekennzeichnet, was
den Lerneffekt bezüglich autonomer Entscheidungen und Schlussfolgerungen aus begangenen Fehlern begrenzt. Am Phantom hingegen kann
die direkte Konsequenz, beispielsweise am Ergebnis der Nichterreichbarkeit des Tumors, direkt erfahren werden. Die theoretischen Konzepte für
43
6 Zusammenfassung
die Kopflagerung des Patienten in Abhängigkeit von der Tumorlokalisation können als übertragbar auf die OP-Situation angesehen werden,
wenngleich das haptische Feedback am Phantom ein anderes ist. Der dadurch erreichbare Lerneffekt bietet das Potential, Lagerungen häufiger
selbstständig durch den Assistenzarzt im OP-Saal vorbereiten zu lassen.
Die Handhabung des Navigationssystems ist ebenfalls sehr nahe an den
technischen Bedingungen im OP-Saal und trägt damit zu einem besseren
Verständnis bei.
Gegenüber virtuellen Systemen bieten phantom-basierte Trainingssysteme den Vorteil des taktilen Kopfphantoms welches mit realen Instrumenten bearbeitet werden kann und damit eine realistische Hand-AugeKoordination während des Trainings gewährleistet. Die geringeren Investitionskosten für die Anschaffung (Tabelle 6) ermöglicht auch kleineren
Kliniken, eine Simulationsumgebung in die Facharztausbildung zu integrieren. Nachteilig gegenüber virtuellen Systemen ist die auf einmalige
Verwendung begrenzte Modulverfügbarkeit, welche permanent laufende
Kosten und Materialverlust verursacht. Das vorgestellte Trainingssystem
soll nicht als Konkurrenzprodukt zu virtuellen Systemen, sondern vielmehr als sinnvolle Ergänzung innerhalb der verfügbaren Trainingsmethoden verstanden werden.
Position
Kosten in Euro
Anschaffungskosten:
Investitionskosten Gesamtsystem (Basissystem Kopfphantom, Laptop, Software,
Trackingkamera)
Investitionskosten Bohrer, Fräse
Investitionskosten Summe
Laufende Kosten je Trainingseinheit:
Austauschmodul
Nahtmaterial, Spülung
Summe laufende Kosten
etwa 9.000 Euro
etwa 15.000 Euro
etwa 24.000 Euro
190 Euro
10 Euro
200 Euro
Tabelle 6: Übersicht über Investitionskosten und laufende Kosten je Trainingseinheit
Die derzeitige und zukünftige Weiterentwicklung des Systems fokussiert sich auf die Implementierung des automatisierbaren Evaluations-
44
6 Zusammenfassung
konzeptes basierend auf vordefinierten, verschiedenen Master-Zugängen,
sowie auf die Simulation von Risikostrukturen und Einbezug entsprechender Verletzungen in das Evaluationskonzept. Die getrackten Instrumente
während der Simulation können so zusammen mit den vordefinierten Zugangswegen die zukünftige Basis für ein essentielles objektives Trainingsfeedback bilden. Auch in der Entwicklung befindet sich die Umsetzung
des Ultraschall-Simulationstools, welches eine finale transdurale Identifikation des Tumors bei korrekt ausgeführter Kraniotomie ermöglichen soll.
Aus den intraoperativ akquirierten Patienten-Ultraschalldaten können
aufgrund des getrackten Ultraschalldummy’s die korrespondierenden Ultraschallschichten berechnet und visualisiert werden. Dadurch bekommt
der Trainierende den Eindruck einer realen Ultraschalluntersuchung und
kann die Handhabung und Koordination einer Ultraschallaufnahme sowie die Orientierung im resultierenden Ultraschallvolumen trainieren.
Generell haben phantom-basierte Trainingssysteme durch effektive Trainingseinheiten das Potential, die neurochirurgische Facharztausbildung
zu bereichern und hinsichtlich Risikomanagement, Patientensicherheit
und OP-Verfügbarkeit zu verbessern.
45
7 Literaturverzeichnis
[1] Rajesh Aggarwal and Ara Darzi. Organising a surgical skills centre.
Minim Invasive Ther Allied Technol, 14(4):275–279, 2005.
[2] Ali Alaraj, Fady T. Charbel, Daniel Birk, Matthew Tobin, Mathew
Tobin, Cristian Luciano, Pat P. Banerjee, Silvio Rizzi, Jeff Sorenson,
Kevin Foley, Konstantin Slavin, and Ben Roitberg. Role of cranial
and spinal virtual and augmented reality simulation using immersive
touch modules in neurosurgical training. Neurosurgery, 72 Suppl
1:115–123, Jan 2013.
[3] Ali Alaraj, Michael G. Lemole, Joshua H. Finkle, Rachel Yudkowsky,
Adam Wallace, Cristian Luciano, P Pat Banerjee, Silvio H. Rizzi,
and Fady T. Charbel. Virtual reality training in neurosurgery: Review of current status and future applications. Surg Neurol Int, 2:52,
2011.
[4] Paul Arnold and Martin J. Farrell. Can virtual reality be used to
measure and train surgical skills? Ergonomics, 45(5):362–379, Apr
2002.
[5] Ludwig M. Auer and Dorothee Auer. Virtual endoscopy for planning
and simulation of minimally invasive neurosurgery. Neurosurgery,
43(3):529–37; discussion 537–48, Sep 1998.
[6] Antonio Bernardo, Mark C. Preul, Joseph M. Zabramski, and Robert F. Spetzler. A three-dimensional interactive virtual dissection model to simulate transpetrous surgical avenues. Neurosurgery,
52(3):499–505; discussion 504–5, Mar 2003.
[7] Sonny Chan, Francois Conti, Kenneth Salisbury, and Nikolas H. Blevins. Virtual reality simulation in neurosurgery: technologies and
evolution. Neurosurgery, 72 Suppl 1:154–164, Jan 2013.
[8] G. Coelho, C. Kondageski, F. Vaz-Guimarães Filho, R. Ramina,
S. C. Hunhevicz, F. Daga, M. R. Lyra, S. Cavalheiro, and S. T.
Zymberg. Frameless image-guided neuroendoscopy training in real
simulators. Minim Invasive Neurosurg, 54(3):115–118, Jun 2011.
46
7 Literaturverzeichnis
[9] Claudia Craven, David Baxter, Martyn Cooke, Lydia Carline, Samuel J M M. Alberti, Jonathan Beard, and Mary Murphy. Development
of a modelled anatomical replica for training young neurosurgeons.
Br J Neurosurg, 28(6):707–712, Dec 2014.
[10] András Csókay, Attila Papp, Domonkos Imreh, Máté Czabajszky,
István Valálik, and Bálint Antalfi. Modelling pathology from autolog
fresh cadaver organs as a novel concept in neurosurgical training.
Acta Neurochir (Wien), 155(10):1993–1995, Oct 2013.
[11] Michael D. Cusimano. Virtual reality surgery:neurosurgery and
the contemporary landscape a three-dimensional interactive virtual dissection model to simulate transpetrous surgical avenues.
Neurosurgery, 53(4):1010–1; author reply 1011–2, Oct 2003.
[12] Emily Tompkins Durkin, Robert McDonald, Alejandro Munoz, and
David Mahvi. The impact of work hour restrictions on surgical
resident education. J Surg Educ, 65(1):54–60, 2008.
[13] Alan C. Evans, Andrew L. Janke, D Louis Collins, and Sylvain Baillet. Brain templates and atlases. Neuroimage, 62(2):911–922, Aug
2012.
[14] Jaime Gasco, Achal Patel, Francisco Vaz Guimaraes Filho, Samuel
Zymberg, Juan Ortega-Barnett, Joel T. Patterson, Yong-Fan Kuo,
and Coelho Giselle. Ventricular and skull base neuroendoscopy simulation in residency training: feasibility, cost, and resident feedback. Journal of Surgical Simulation, 1:22–29 doi 10.1102/2051–
7726.2014.0002, 2014.
[15] Jens Haase, Peter Musaeus, and Egil Boisen. Virtual reality and
habitats for learning microsurgical skills. In Peter Andersen and
Lars Qvortrup, editors, Virtual Applications, pages 29–48. Springer
London, 2004.
[16] James Harrop, Ali R. Rezai, Daniel J. Hoh, George M. Ghobrial, and
Ashwini Sharan. Neurosurgical training with a novel cervical spine
simulator: posterior foraminotomy and laminectomy. Neurosurgery,
73 Suppl 1:94–99, Oct 2013.
[17] Mark Jenkinson, Christian F. Beckmann, Timothy E J. Behrens,
Mark W. Woolrich, and Stephen M. Smith. Fsl. Neuroimage,
62(2):782–790, Aug 2012.
47
7 Literaturverzeichnis
[18] Ralf A. Kockro, Luis Serra, Yeo Tseng-Tsai, Chumpon Chan, Sitoh
Yih-Yian, Chua Gim-Guan, Eugene Lee, Lee Y. Hoe, Ng Hern, and
Wieslaw L. Nowinski. Planning and simulation of neurosurgery in a
virtual reality environment. Neurosurgery, 46(1):118–35; discussion
135–7, Jan 2000.
[19] Ralf A. Kockro, Axel Stadie, Eike Schwandt, Robert Reisch, Cleopatra Charalampaki, Ivan Ng, Tseng Tsai Yeo, Peter Hwang, Luis
Serra, and Axel Perneczky. A collaborative virtual reality environment for neurosurgical planning and training. Neurosurgery, 61(5
Suppl 2):379–91; discussion 391, Nov 2007.
[20] G Michael Lemole, Jr, P Pat Banerjee, Cristian Luciano, Sergey
Neckrysh, and Fady T. Charbel. Virtual reality in neurosurgical
education: part-task ventriculostomy simulation with dynamic visual and haptic feedback. Neurosurgery, 61(1):142–8; discussion 148–9,
Jul 2007.
[21] Cristian Luciano, Pat Banerjee, G Michael Lemole, Jr, and Fady
Charbel. Second generation haptic ventriculostomy simulator using
the immersivetouch system. Stud Health Technol Inform, 119:343–
348, 2006.
[22] Hani R. Malone, Omar N. Syed, Michael S. Downes, Anthony L.
D’Ambrosio, Donald O. Quest, and Michael G. Kaiser. Simulation in
neurosurgery: a review of computer-based simulation environments
and their surgical applications. Neurosurgery, 67(4):1105–1116, Oct
2010.
[23] Andrea Müns, Constanze Mühl, Robert Haase, Hendrik Möckel,
Claire Chalopin, J§rgen Meixensberger, and Dirk Lindner. A neurosurgical phantom-based training system with ultrasound simulation.
Acta Neurochir (Wien), 156(6):1237–1243, Jun 2014.
[24] André Neubauer and Stefan Wolfsberger. Virtual endoscopy in neurosurgery: a review. Neurosurgery, 72 Suppl 1:97–106, Jan 2013.
[25] A. Radetzky and M. Rudolph. Simulating tumour removal in neurosurgery. Int J Med Inform, 64(2-3):461–472, Dec 2001.
[26] A. Radetzky, M. Rudolph, S. Starkie, B. Davies, and L. M. Auer. Robo-sim: a simulator for minimally invasive neurosurgery using
an active manipulator. Stud Health Technol Inform, 77:1165–1169,
2000.
48
7 Literaturverzeichnis
[27] A. Radetzky, F. Schröcker, and L. M. Auer. Improvement of surgical
simulation using dynamic volume rendering. Stud Health Technol
Inform, 70:272–278, 2000.
[28] R Aaron Robison, Charles Y. Liu, and Michael L J. Apuzzo. Man,
mind, and machine: the past and future of virtual reality simulation
in neurologic surgery. World Neurosurg, 76(5):419–430, Nov 2011.
[29] Florian Roser, Gerd Pfister, Marcos Tatagiba, and Florian H. Ebner.
Live surgery in neurosurgical training courses: essential infrastructure and technical set-up. Acta Neurochir (Wien), 155(3):541–545,
Mar 2013.
[30] Daisuke Sato, Ryosuke Kobayashi, Akira Kobayashi, Shohei Fujino, and Uchiyama Masaru. Soft tissue pushing operation using a
haptic interface for simulation of brain tumor resection. J Robot
Mechatron, 18(5):634–642, 2006.
[31] Mark A. Spicer, Martin van Velsen, John P. Caffrey, and Michael
L J. Apuzzo. Virtual reality neurosurgery: a simulator blueprint.
Neurosurgery, 54(4):783–97; discussion 797–8, Apr 2004.
[32] D. Stredney, Gregory J. Wiet, J. Bryan, D. Sessanna, Jim Murakami, P. Schmalbrock, Kimerly Powell, and B. Welling. Temporal
bone dissection simulation–an update. Stud Health Technol Inform,
85:507–513, 2002.
[33] Ulrich Sure, Dorothea Miller, and Oliver Bozinov. Neurosurgical
training in europe, problems and possible solutions. Surg Neurol,
67(6):626–8; discussion 628–33, Jun 2007.
49
8 Anlagen
8.1 Selbstständigkeitserklärung
Erklärung über die eigenständige Abfassung der Arbeit
Hiermit erkläre ich, dass ich die vorliegende Arbeit selbständig und ohne
unzulässige Hilfe oder Benutzung anderer als der angegebenen Hilfsmittel
angefertigt habe. Ich versichere, dass Dritte von mir weder unmittelbar
noch mittelbar geldwerte Leistungen für Arbeiten erhalten haben, die
im Zusammenhang mit dem Inhalt der vorgelegten Dissertation stehen,
und dass die vorgelegte Arbeit weder im Inland noch im Ausland in
gleicher oder ähnlicher Form einer anderen Prüfungsbehörde zum Zweck
einer Promotion oder eines anderen Prüfungsverfahrens vorgelegt wurde. Alles aus anderen Quellen und von anderen Personen übernommene
Material, das in der Arbeit verwendet wurde oder auf das direkt Bezug
genommen wird, wurde als solches kenntlich gemacht. Insbesondere wurden alle Personen genannt, die direkt an der Entstehung der vorliegenden
Arbeit beteiligt waren.
...........
Datum
...................
Unterschrift
50
8 Anlagen
8.2 Lebenslauf
Persönliche Informationen
Name
Adresse
Telefonnummer
Geburtsdatum
Familienstand
Nationalität
Email
Andrea Müns
Lauchstädter Straße 5, 04229 Leipzig
+49 177 / 524 55 08
28.01.1982
Ledig
Deutsch
[email protected]
Schulbildung
07/98
06/01
Mittlere Reife (Note 1.4) Auerbach
Allgemeine Fachhochschulreife (Note 1.9) Berufliches Gymnasium für Informations- und Kommunikationstechnologie Rodewisch
Studium
10/01 - 08/08
Universität Leipzig: Diplom Informatik (Schwerpunkt Medizinische Informatik, Abschluss 1.7)
Berufliche Tätigkeit
10/03 - 10/06
06/05 - 11/06
Seit 10/08
Werkstudentin bei KPMG CF Real Estate als Softwareentwicklerin (Datenbankprogrammierung, Microsoft Access, Excel, VBA, SQL)
Studentische Hilfskraft am Max Planck Institut
für Kognitions- und Neurowissenschaften Leipzig
(MRT-Datenanalyse im Rahmen einer MS Studie)
Wissenschaftliche Mitarbeiterin Neurochirurgie
Universitätsklinikum Leipzig
Zusatzqualifikationen
Fremdsprachen
Studienleiterin
Englisch (fließend), Spanisch (fließend), Italienisch
und Französisch (Grundkenntnisse)
Zertifikat Studienleiterfortbildung 2010
51
8 Anlagen
8.3 Publikationsliste
a) Originalarbeiten mit Erstautorschaft
Müns A, Meixensberger J, Lindner D. Evaluation of a novel phantombased neurosurgical training system. Surg Neurol Int, 2014; 5:173.
Müns A, Mühl C, Haase R, Möckel H, Chalopin C, Meixensberger
J, Lindner D. A neurosurgical phantom-based training system with
ultrasound simulation. Acta Neurochir, 2014; 156:1237-1243.
Müns A, Arnold S, Schmitgen A, Chalopin C, Arlt F, Meixensberger
J, Lindner D. Improvement of neuronavigation based on ultrasound
by means of the digital video interface, Biomed Tech. 2012; 57(S1):
448-451.
Müns A, Meixensberger J, Arnold S, Schmitgen A, Arlt F, Chalopin
C, Lindner D. Integration of a 3D ultrasound probe into neuronavigation. Acta Neurochir. 2011; 153(7):1529-33.
b) Originalarbeiten mit Co-Autorschaft
Chalopin C, Krissian K, Meixensberger J, Müns A, Arlt F, Lindner
D. Evaluation of a semi-automatic segmentation algorithm in 3D intraoperative ultrasound brain angiography. Biomed Tech. 2013;58(3),
293-302.
Chalopin C, Lindenberg R, Arlt F, Müns A, Meixensberger J, Lindner D. Brain tumor enhancement revealed by 3D intraoperative ultrasound imaging in a navigation system. Biomed Tech. 2012; 57 (S1):
468-471.
c) Kongressbeiträge
Müns A, Meixensberger J, Lindner D. Assessment of a novel phantombased neurosurgical training system. Int J CARS. 2014; 9 (Suppl
1):126-127
Chalopin C, Oeltze S, Preim B, Müns A, Meixensberger J, Lindner D:
Method for the Evaluation of US Perfusion for Brain Tumor Surgery.
52
8 Anlagen
Proceedings of CURAC. 2013; 198-202.
Arlt F, Chalopin C, Müns A, Meixensberger J, Lindner D: Intraoperative resection control with contrast enhanced 3D-ultrasound - first
results in patients with glioblastoma, 64. Jahrestagung der Deutschen
Gesellschaft für Neurochirurgie (DGNC) 2013, DOI 10.3205/13dgnc330.
Chalopin C, Arlt F, Müns A, Meixensberger J, Preim B, Lindner D.
Evaluation of 3D intraoperative enhanced ultrasound imaging for the
representation of brain tumors. Research Festival, 2012, ISBN: 078-39810760-7-3
Chalopin C, Krissian K, Müns A, Arlt F, Meixensberger J, Lindner D. Phantom-based evaluation of a semi-automatic segmentation
algorithm for cerebral vascular structures in 3D ultrasound angiography (3D USA). 10. Jahrestagung der Deutschen Gesellschaft für
Computer- und Roboterunterstützte Chirurgie e.V., Magdeburg,Verlag
Univ Magdeburg, CURAC 2011, Herausgeber: O Burgert, J Schipper,
S Zachow. ISBN:978-3-94096-59-4 pp 75-79
Arlt F, Müns A, Chalopin C, Meixensberger J, Lindner D. 3D Kontrastmittel - Ultraschall in der Behandlung maligner Hirntumoreintraoperative Anwendung. 10. Jahrestagung der Deutschen Gesellschaft für Computer- und Roboterunterstützte Chirurgie e.V., Magdeburg, Verlag Univ Magdeburg Univ Magdeburg, CURAC 2011, Herausgeber: O Burgert, J Schipper, S Zachow. ISBN:978-3-94096-59-4
pp 7-9.
Müns A, Arnold S, Schmitgen A, Arlt F, Chalopin C, Meixensberger
J, Lindner D. Enhancement of Neuronavigation based on digital video
transfer of intraoperative ultrasound. Int J comput assist radiol surg.
2011; 6:92-93.
C. Chalopin, R. Lindenberg, F. Arlt, A. Müns, D. Lindner. Brain
tumor segmentation in 3D intraoperative ultrasound data. Leipzig
Research Festival for Life Sciences. 2011: 148.
Chalopin C, Lindner D, Müns A, Arlt F, Meixensberger J. Pipeline for the evaluation of navigated 3D intraoperative enhanced ultrasound imaging in neurosurgery for brain tumor resection. In: Burgert
O, Kahrs LA, Preim B, Schipper J. 9. Jahrestagung der Deutschen
53
8 Anlagen
Gesellschaft für Computer- und Roboterassistierte Chirurgie e.V. Der
Andere Verlag, Düsseldorf, 2010, 5-38.
54
8 Anlagen
8.4 Danksagung
An dieser Stelle ist es Zeit, mich bei denjenigen zu bedanken, die mich in
der Zeit der Erstellung dieser Arbeit durch ihre fachliche und persönliche
Unterstützung begleitet haben.
Besonderer Dank gilt den Betreuern Prof. Meixensberger und Dr. med.
Lindner, welche jederzeit bereit waren, konstruktive und motivierende
Anregungen zu geben und durch bereichernde Tipps und Diskussionbeiträge die Arbeit in die richtigen Bahnen zu lenken. Insbesondere hat
Dr. med. Lindner auch als Projektleiter, sowohl durch jahrelange wissenschaftliche Begleitung als auch persönliche Hilfestellung, zum Gelingen
der Arbeit beigetragen. Ebenso geht mein Dank an die Firma Phacon
GmbH, welche essentiell an der Fertigung des Trainingssystems sowie als
Ideengeber mitgewirkt hat.
Meinen Eltern, Geschwistern und Freunden danke ich für die moralische
Unterstützung, die offenen Ohren, die wohltuenden Auszeiten und die liebevolle Fürsorge während dieser Zeit. Herzlichen Dank richte ich dabei
besonders an meine Großeltern Johannes und Ruth Dreßler, welche mich
durch ihr Lebenswerk zu Durchhaltevermögen auch in kräftezehrenden
Zeiten inspiriert haben. Marcus Unger und Christoph Mengel danke ich
für die wertvolle persönliche Unterstützung und das mir entgegenbrachte
Verständnis.
Besonderer Dank gilt ebenfalls Kathleen Lotsch und Jens Mulsow, die
meinen persönlichen Entwicklungsprozess, der untrennbar mit der Zeit
dieser Arbeit verbunden war, mit offenen Herzen und Ohren geduldig
begleitet haben und so oft für mich da waren.
55
8 Anlagen
8.5 Fragebogen Quantitative Studie
Der folgende Fragebogen wurde während des Trainings in der quantitativen Studie vom bewertenden Facharzt ausgefüllt. Insgesamt absolvierten
die Assistenzärzte drei Trainings an drei verschiedenen Datensätzen. Die
Kenngrößen der Datensätze variierten je nach Tumorbeschaffenheit. Der
hier exemplarisch dargestellte Fragebogen beinhaltet die Kenngrößen von
Datensatz 1.
Bewertung des Trainings durch einen Facharzt
Datum:
Assistenzarzt:
beurteilender Facharzt:
Kenngrößen Datensatz Nr. 1
Tumorausdehnung: 24mm x 22mm x 16mm
Hautschnitt: > 42mm < 84mm
Bohrlöcher: 1-2
Kraniotomiegröße: > 4.4cm2 < 16.8cm2
Zutreffende Antwort bitte markieren!
Trainingskriterien
Kriterium Punkte
erfüllt?
1. Tumoridentifikation
Sulcus zentr. / präzentralis
2. Lagerung und Navigation
Lagerung - optimal für den Patienten?
Lagerung - Tumor erreichbar?
Navigation - Ausrichtung Kamera und
Abdeckung ROI
3. Modulregistrierung
TRE < 1mm im ersten Versuch?
TRE < 1mm im zweiten Versuch?
4. Zugangsplanung mit Navigation
Navigation genutzt für Zugangsplanung?
56
ja/nein
1 Punkt bei ja
ja/nein
ja/nein
optimal/
teilweise/
unzureichend
1 Punkt bei ja
1 Punkt bei ja
2 Punkte bei
optimal,
1
Punkt
bei
teilweise
ja/nein
ja/nein
2 Punkte bei
ja
1 Punkt bei ja
ja/nein
1 Punkt bei ja
8 Anlagen
Trainingskriterien
Kriterium Punkte
erfüllt?
5. Hautschnitt
Länge (2 x Tumor > gerader Schnitt < 4
x Tumor, Master - Toleranz > gebogener
Schnitt < Master + Toleranz)
Schnittform (ist gerader Hautschnitt gerade?, Endpunkte gebogener Schnitt weit
genug auseinander?)
Abstand Sinus sag. sup. eingehalten?
Tumor erreichbar durch ausgeführten
Hautschnitt?
Muskel bei Hautschnitt unverletzt geblieben?
Planung Hautschnitt beibehalten?
suffizienter Wundverschluss?
6. Bohrlöcher
vor Setzen Bohrlöcher Kontrolle Navigation?
Anzahl Bohrlöcher eingehalten? (Mastervorgabe, Zugang 1: 1-2)
Dura bei Setzen Bohrlöcher unverletzt
geblieben?
Bohrlöcher außerhalb Hautschnitt?
7. Trepanation
Größe innerhalb vorgegebener Größe?
Tumor erreichbar durch ausgeführte Trepanation? (Kontrolle in axialer, sagittaer
und koronarer Richtung)
Erreichte Punkte
57
ja/nein
1 Punkt bei ja
ja/nein
1 Punkt bei ja
ja/nein
ja/nein
1 Punkt bei ja
1 Punkt bei ja
ja/nein
1 Punkt bei ja
ja/nein
ja/nein
1 Punkt bei ja
1 Punkt bei ja
ja/nein
1 Punkt bei ja
ja/nein
1 Punkt bei ja
ja/nein
1 Punkt bei ja
ja/nein
1 Punkt bei ja
ja/nein
ja/nein
1 Punkt bei ja
3 Punkte bei
Abweichung
in
keiner
Richtung, 2
Punkte
bei
Abweichung
in einer Richtung, 1 Punkt
bei
Abweichung in 2
Richtungen
/23
8 Anlagen
8.6 Fragebogen Qualitative Studie
Der folgende Fragebogen wurde nach dem Training der qualitativen Studie vom Trainingsabsolventen ausgefüllt.
Fragebogen Surgical Head Model
Datum:
Testperson:
Jahr der Assistenzarztausbildung:
Für alle Bewertungen gilt: 1 = sehr gut, 2 = gut, 3 = befriedigend, 4 =
schlecht, 5 = sehr schlecht
1. Beurteilen Sie die Ergonomie beim Üben am Trainingsmodell!
1
2
3
4
5
Patientenlagerung
Visualisierung im Navigationssystem
Durch Trackingkameras erfasster Bereich
Handling Pointer
Handling Kraniotom
Handling Säge
2. Beurteilen Sie die Realitätsnähe der einzelnen Strukturen
bzw. Arbeitsschritte am Lernphantom!
58
8 Anlagen
Eigenschaft
Bewertung
1 2 3 4
Gesamteindruck Kopf
Haut
Farbe
Dicke
Haptik
Schneidegefühl
ReißFestigkeit
Ablösbarkeit v. Knochen
Kleberückstand
Ablösbarkeit v. Muskel
Kleberückstand
Verschließbarkeit
Muskel
Farbe
Struktur
Dicke
Haptik
ReißFestigkeit
Ablösbarkeit v. Knochen
Kleberückstand
Knochen
Farbe
Haptik
Echtheit Bohren
Echtheit Sägen
Dura
Farbe
Struktur
Dicke
Haptik
ReißFestigkeit
Ablösbarkeit v. Knochen
Kleberückstand
Bemerkung
5
zu
zu
zu
zu
zu
dünn / zu dick
weich / zu hart
leicht / zu schwer
niedrig / zu hoch
leicht / zu schwer
zu leicht / zu schwer
zu
zu
zu
zu
dünn / zu dick
weich / zu hart
niedrig / zu hoch
leicht / zu schwer
zu weich / zu hart
zu
zu
zu
zu
59
dünn / zu dick
weich / zu hart
niedrig / zu hoch
leicht / zu schwer
8 Anlagen
3. Wie schätzen Sie den Lerneffekt des Surgical Head Models
ein, wenn dieses zukünftig am Beginn der neurochirurgischen Facharztausbildung zur Verfügung stehen könnte?
1
2
3
Lerneffekt in Umgang mit navigierten Operationen / Tracking
Lerneffekt bezüglich Patientenlagerung
Lerneffekt Planung der Kraniotomie unter Zuhilfenahme der Navigation
Lerneffekt Schnittführung bei bestimmter Tumorlokalisation
Lerneffekt Trepanation
Lerneffekt Kraniotomie
Trägt das Üben am Lernphantom vor den ersten
reellen Eingriffen Ihrer Meinung nach zu einem
erhöhten Sicherheitsgefühl während der ersten eigenständig durchgeführten Kraniotomien bei?
4. Sonstige Anmerkungen / Verbesserungsvorschläge
60
4
5

Aktueller Stand und Herausforderungen

Prozessoptimierung einer Batterie

Analyse und Simulation von Menschenmassen Laker, Noah, Ignaz

Dr. Otto Kretzschmar Continental Automotive GmbH Rheologische

Workshop Programm

Experte für Simulation – Moldflow und Strukturmechanik

Stellenausschreibung

PDF-Version downloaden