Robotergesichter. Imperial College London
Fortschritte in der Robotik tragen dazu bei, Ärzte zu besseren und vielleicht mitfühlenderen Ärzten auszubilden.
Ein Team unter der Leitung von Forschern des Imperial College London hat einen Weg gefunden, Roboter mit genaueren Schmerzausdrücken im Gesicht zu konstruieren, was Ärzten in der Ausbildung eine verbesserte Methode zum Üben an potenziellen Patienten an die Hand gibt.laut Presseerklärung am Freitag von der Institution freigegeben.
Die neuen Roboter werden auch für das Diversity-Training verwendet.
Erhalten Sie mehr Updates zu dieser Geschichte und mehr mit The Blueprint, unserem täglichen Newsletter: Hier kostenlos anmelden.
Bessere Gesichtsausdrücke
„Die Verbesserung der Genauigkeit der Gesichtsausdrücke von Schmerzen bei diesen Robotern ist ein wichtiger Schritt zur Verbesserung der Qualität des Trainings für körperliche Untersuchungen für Medizinstudenten“, sagte Studienautorin Sibylle Rérolle von der Imperial Dyson School of Design Engineering in der Erklärung.
Die Roboter gibt es in allen möglichen Formen und Farbtönen, die Unterschiede in der Vielfalt nachahmen. Der Zweck dieser unterschiedlichen Roboter ist es, angehende Ärzte davon abzuhalten, rassistische oder geschlechtsspezifische Vorurteile zu entwickeln.
Obwohl einige frühere Forscher versucht haben, Bias-Schulungen für Mediziner durchzuführen, waren ihre Ansätze nicht so zuverlässig wie diese neue Methode.
„Frühere Studien, die versuchten, Gesichtsausdrücke von Schmerzen zu modellieren, stützten sich auf zufällig generierte Gesichtsausdrücke, die den Teilnehmern auf einem Bildschirm gezeigt wurden“, sagte Hauptautor Jacob Tan, ebenfalls von der Dyson School of Design Engineering. „Dies ist das erste Mal, dass die Teilnehmer warengebeten, die physische Aktion auszuführen, die den simulierten Schmerz verursacht hat, was es uns ermöglicht, dynamische Simulationsmodelle zu erstellen.“
Weniger als eine Stunde Training
Der vielleicht vorteilhafteste Aspekt dieser neuen Entwicklung ist, wie schnell sie Ergebnisse liefert.
"Die aktuelle Forschung in unserem Labor versucht, die Realisierbarkeit dieser neuen robotergestützten Lehrtechniken zu bestimmen, und wir hoffen, dass wir in Zukunft in der Lage sein werden, die zugrunde liegenden Vorurteile bei Medizinstudenten in weniger als einer Stunde Training deutlich zu reduzieren", schlossenDr. Thrishantha Nanayakkara, der Direktor des Morph Lab, dem Labor, das für die Konstruktion dieser neuen Roboter verantwortlich ist.
Die neue Studiewird veröffentlicht im Tagebuch Wissenschaftliche Berichte.
Für weitere Roboter, die in medizinischen Anwendungen eingesetzt werden, lesen Sie diesen Artikel hier.
Studienzusammenfassung:
Medizinische Trainingssimulatoren können Medizinstudenten eine sichere und kontrollierte Umgebung bieten, um ihre körperlichen Untersuchungsfähigkeiten zu üben. Eine wichtige Informationsquelle für Ärzte ist das visuelle Feedback von unwillkürlichen Schmerzgesichtsausdrücken als Reaktion auf körperliche Palpation an einem betroffenen Bereich eines PatientenDie meisten bestehenden robotergestützten medizinischen Trainingssimulatoren, die das Verhalten bei körperlichen Untersuchungen in Echtzeit erfassen können, können jedoch keine Gesichtsausdrücke anzeigen und umfassen ein begrenztes Spektrum an Patientenidentitäten in Bezug auf ethnische Zugehörigkeit und Geschlecht. Zusammen schränken diese Einschränkungen die Nützlichkeit medizinischer Trainingssimulatoren ein, weilSie stellen Medizinstudenten keine repräsentative Stichprobe von Schmerzgesichtsausdrücken und Gesichtsidentitäten zur Verfügung, was zu voreingenommenen Praktiken führen könnte.Außerdem schränken diese Einschränkungen die Nützlichkeit solcher medizinischer Simulatoren ein, um frühe Anzeichen von Voreingenommenheit in der medizinischen Ausbildung zu erkennen und zu korrigieren.Hier,erstmals präsentieren wir ein Robotersystem that kann Gesichtsausdrücke von Schmerzen als Reaktion auf Palpationen simulieren, die auf einer Reihe von Gesichtsidentitäten von Patienten angezeigt werden.Wir verwenden den einzigartigen Ansatz der Modellierung dynamischer Schmerzgesichtsausdrücke unter Verwendung einer datengesteuerten wahrnehmungsbasierten psychophysischen Methode in Kombination mit den visuell-haptischen Eingaben von Benutzern, die Palpationen an einem medizinischen Robotersimulator durchführen.Insbesondere führten die Teilnehmer Palpationsaktionen am Abdomenphantom eines simulierten Patienten durch, was die Echtzeitanzeige von sechs schmerzbezogenen Gesichtsaktionseinheiten AUs auf einem Robotergesicht MorphFace auslöste, die jeweils durch zwei pseudozufällig generierte transiente Parameter gesteuert wurden: Änderungsrate β und Aktivierungsverzögerung τ .Die Teilnehmer bewerteten dann die Angemessenheit des Gesichtsausdrucks, der als Reaktion auf ihre Palpationen gezeigt wurde, auf einer 4‑Punkte-Skala von „stimme überhaupt nicht zu“ bis „stimme voll und ganz zu“.Jeder Teilnehmer n=16, 4 asiatische Frauen, 4 asiatische Männer, 4 weiße Frauen und 4 weiße Männer führte 200 Palpationsversuche an 4 Patientenidentitäten schwarze Frauen, schwarze Männer, weiße Frauen und weiße Männer durch, die mit MorphFace simuliert wurden.Die Ergebnisse zeigten, dass Gesichtsausdrücke, die von allen Teilnehmern als am besten geeignet eingestuft wurden, eine höhere Änderungsrate und eine kürzere Verzögerung von den AUs des oberen Gesichts um die Augen zu denen im unteren Gesicht um den Mund herum aufweisen.Im Gegensatz dazu stellten wir fest, dass transiente Parameterwerte der am besten geeigneten bewerteten Schmerzgesichtsausdrücke, Palpationskräfte und Verzögerungen zwischen Palpationsaktionen zwischen von Teilnehmern simulierten Patientenpaaren je nach Geschlecht und ethnischer Zugehörigkeit variierten.Diese Ergebnisse deuten darauf hin, dass geschlechtsspezifische und ethnische Vorurteile die Palpationsstrategien und die Wahrnehmung von Schmerzgesichtsausdrücken beeinflussen, die auf MorphFace angezeigt werden.Wir gehen davon aus, dass unser Ansatz verwendet wird, um körperliche Untersuchungsmodelle mit unterschiedlichen demografischen Patientendaten zu erstellen, um Fehlurteile bei Medizinstudenten zu reduzieren und gezielte Schulungen anzubieten, um diese Fehler zu beheben.