{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3327408"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3327408","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Machine learning techniques for assessment of surgical skills during training in a virtual reality simulator","abstract":"Τα οφέλη της ελάχιστα επεμβατικής χειρουργικής είναι αποδεδειγμένα για τους ασθενείς (π.χ. μικρότερος χρόνος αποκατάστασης και πιθανότητα μόλυνσης). Ωστόσο, απαιτείται εξειδικευμένη εκπαίδευση για να διασφαλιστεί ότι οι επεμβάσεις αυτές εκτελούνται με ακρίβεια και ασφάλεια. Έτσι, έχουν αναπτυχθεί πλατφόρμες λαπαροσκοπικής εκπαίδευσης και προσομοιωτές εικονικής πραγματικότητας. Οι αλγόριθμοι μηχανικής μάθησης μπορούν να αναλύσουν μεγάλα σύνολα δεδομένων για να αποκαλύψουν προηγουμένως μη αναγνωρισμένα μοτίβα και να διευρύνουν την κατανόηση της τεχνικής δεξιότητας. Στόχος της διπλωματικής εργασίας είναι η εφαρμογή αλγορίθμων μηχανικής μάθησης για την ταξινόμηση εκπαιδευομένων που βρίσκονται στην αρχή/τελός της εκπαίδευσής τους σε λαπαροσκοπικό προσομοιωτή εικονικής πραγματικότητας (Lap Mentor). Συγκεκριμένα, το σύνολο δεδομένων περιλάμβανε μετρικές απόδοσης για 6 εκπαιδευτικές συνεδρίες (trials) σε 3 λαπαροσκοπικές ασκήσεις, οι οποίες εκτελέστηκαν από 23 φοιτητές ιατρικής (138 συνεδρίες ανά άσκηση). Οι τρεις ασκήσεις που επιλέχθηκαν από τον προσομοιωτή είναι: Clipping and Grasping (Άσκηση 5), Two-Handed Maneuvers (Άσκηση 6) και Cutting (Άσκηση 7). Για κάθε άσκηση, οι 3 πρώτες/τελευταίες συνεδρίες αντιστοιχούν στην αρχή/τέλος της εξάσκησης δεξιοτήτων (Start/End of Training), αντίστοιχα. Οι αλγόριθμοι που εφαρμόστηκαν για την αναγνώριση δεξιοτήτων (Start vs. End of Training) είναι: K-Nearest Neighbors, Logistic Regression, Naive Bayes, Linear Discriminant Analysis, Quadratic Discriminant Analysis, Random Forest και Support Vector Machines. Επιπλέον, για κάθε αλγόριθμο διερευνήθηκε η εφαρμογή δύο τεχνικών dimensionality reduction: Principal Component Analysis (PCA) και Fisher's score. Η ανάλυση βασίστηκε σε δύο ξεχωριστά πειραματικά σχήματα: trial-based (η εκπαίδευση των αλγορίθμων έγινε σε επίπεδο συνεδρίας) και subject-based (η εκπαίδευση των αλγορίθμων έγινε σε επίπεδο εκπαιδευομένου). Η ανάλυση έδειξε ότι το υψηλότερο ποσοστό ακρίβειας επιτεύχθηκε με τη χρήση Support Vector Machine (SVM) με γραμμικό kernel, με ποσοστό ακρίβειας: 97,08% για την άσκηση 5, 97,29% για την άσκηση 6 και 76,43% για την άσκηση 7, με χρήση του PCA. Επιπλέον, η μελέτη προσδιορίζει, μέσω του Fisher's score, τα έξι καλύτερα χαρακτηριστικά (μετρικές απόδοσης) για κάθε άσκηση και τις διαφορές στα ποσοστά ακρίβειας μεταξύ των δύο πειραματικών σχημάτων (διαφορά από 1 έως 3%). Συμπερασματικά, η χρήση αλγορίθμων μηχανικής μάθησης μπορεί να συνεισφέρει σημαντικά στην αντικειμενική αξιολόγηση χειρουργικών δεξιοτήτων σε προσομοιωτές εικονικής πραγματικότητας.","abstract_html":"Τα οφέλη της ελάχιστα επεμβατικής χειρουργικής είναι αποδεδειγμένα για τους ασθενείς (π.χ. μικρότερος χρόνος αποκατάστασης και πιθανότητα μόλυνσης). Ωστόσο, απαιτείται εξειδικευμένη εκπαίδευση για να διασφαλιστεί ότι οι επεμβάσεις αυτές εκτελούνται με ακρίβεια και ασφάλεια. Έτσι, έχουν αναπτυχθεί πλατφόρμες λαπαροσκοπικής εκπαίδευσης και προσομοιωτές εικονικής πραγματικότητας. Οι αλγόριθμοι μηχανικής μάθησης μπορούν να αναλύσουν μεγάλα σύνολα δεδομένων για να αποκαλύψουν προηγουμένως μη αναγνωρισμένα μοτίβα και να διευρύνουν την κατανόηση της τεχνικής δεξιότητας. Στόχος της διπλωματικής εργασίας είναι η εφαρμογή αλγορίθμων μηχανικής μάθησης για την ταξινόμηση εκπαιδευομένων που βρίσκονται στην αρχή/τελός της εκπαίδευσής τους σε λαπαροσκοπικό προσομοιωτή εικονικής πραγματικότητας (Lap Mentor). Συγκεκριμένα, το σύνολο δεδομένων περιλάμβανε μετρικές απόδοσης για 6 εκπαιδευτικές συνεδρίες (trials) σε 3 λαπαροσκοπικές ασκήσεις, οι οποίες εκτελέστηκαν από 23 φοιτητές ιατρικής (138 συνεδρίες ανά άσκηση). Οι τρεις ασκήσεις που επιλέχθηκαν από τον προσομοιωτή είναι: Clipping and Grasping (Άσκηση 5), Two-Handed Maneuvers (Άσκηση 6) και Cutting (Άσκηση 7). Για κάθε άσκηση, οι 3 πρώτες/τελευταίες συνεδρίες αντιστοιχούν στην αρχή/τέλος της εξάσκησης δεξιοτήτων (Start/End of Training), αντίστοιχα. Οι αλγόριθμοι που εφαρμόστηκαν για την αναγνώριση δεξιοτήτων (Start vs. End of Training) είναι: K-Nearest Neighbors, Logistic Regression, Naive Bayes, Linear Discriminant Analysis, Quadratic Discriminant Analysis, Random Forest και Support Vector Machines. Επιπλέον, για κάθε αλγόριθμο διερευνήθηκε η εφαρμογή δύο τεχνικών dimensionality reduction: Principal Component Analysis (PCA) και Fisher&#x27;s score. Η ανάλυση βασίστηκε σε δύο ξεχωριστά πειραματικά σχήματα: trial-based (η εκπαίδευση των αλγορίθμων έγινε σε επίπεδο συνεδρίας) και subject-based (η εκπαίδευση των αλγορίθμων έγινε σε επίπεδο εκπαιδευομένου). Η ανάλυση έδειξε ότι το υψηλότερο ποσοστό ακρίβειας επιτεύχθηκε με τη χρήση Support Vector Machine (SVM) με γραμμικό kernel, με ποσοστό ακρίβειας: 97,08% για την άσκηση 5, 97,29% για την άσκηση 6 και 76,43% για την άσκηση 7, με χρήση του PCA. Επιπλέον, η μελέτη προσδιορίζει, μέσω του Fisher&#x27;s score, τα έξι καλύτερα χαρακτηριστικά (μετρικές απόδοσης) για κάθε άσκηση και τις διαφορές στα ποσοστά ακρίβειας μεταξύ των δύο πειραματικών σχημάτων (διαφορά από 1 έως 3%). Συμπερασματικά, η χρήση αλγορίθμων μηχανικής μάθησης μπορεί να συνεισφέρει σημαντικά στην αντικειμενική αξιολόγηση χειρουργικών δεξιοτήτων σε προσομοιωτές εικονικής πραγματικότητας.","abstract_has_math":false,"creators":["Πρεβεζάνου Κωνσταντίνα","Prevezanou Konstantina"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:22:08Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3327408"],"render_values":[{"text":"uoadl:3327408","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3327408","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3327408","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3327408","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Πρεβεζάνου Κωνσταντίνα","Prevezanou Konstantina"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Επιστήμες Υγείας","Health Sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3327408","https://pergamos.lib.uoa.gr/uoa/dl/object/3327408"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα οφέλη της ελάχιστα επεμβατικής χειρουργικής είναι αποδεδειγμένα για τους ασθενείς (π.χ. μικρότερος χρόνος αποκατάστασης και πιθανότητα μόλυνσης). Ωστόσο, απαιτείται εξειδικευμένη εκπαίδευση για να διασφαλιστεί ότι οι επεμβάσεις αυτές εκτελούνται με ακρίβεια και ασφάλεια. Έτσι, έχουν αναπτυχθεί πλατφόρμες λαπαροσκοπικής εκπαίδευσης και προσομοιωτές εικονικής πραγματικότητας. Οι αλγόριθμοι μηχανικής μάθησης μπορούν να αναλύσουν μεγάλα σύνολα δεδομένων για να αποκαλύψουν προηγουμένως μη αναγνωρισμένα μοτίβα και να διευρύνουν την κατανόηση της τεχνικής δεξιότητας. Στόχος της διπλωματικής εργασίας είναι η εφαρμογή αλγορίθμων μηχανικής μάθησης για την ταξινόμηση εκπαιδευομένων που βρίσκονται στην αρχή/τελός της εκπαίδευσής τους σε λαπαροσκοπικό προσομοιωτή εικονικής πραγματικότητας (Lap Mentor). Συγκεκριμένα, το σύνολο δεδομένων περιλάμβανε μετρικές απόδοσης για 6 εκπαιδευτικές συνεδρίες (trials) σε 3 λαπαροσκοπικές ασκήσεις, οι οποίες εκτελέστηκαν από 23 φοιτητές ιατρικής (138 συνεδρίες ανά άσκηση). Οι τρεις ασκήσεις που επιλέχθηκαν από τον προσομοιωτή είναι: Clipping and Grasping (Άσκηση 5), Two-Handed Maneuvers (Άσκηση 6) και Cutting (Άσκηση 7). Για κάθε άσκηση, οι 3 πρώτες/τελευταίες συνεδρίες αντιστοιχούν στην αρχή/τέλος της εξάσκησης δεξιοτήτων (Start/End of Training), αντίστοιχα. Οι αλγόριθμοι που εφαρμόστηκαν για την αναγνώριση δεξιοτήτων (Start vs. End of Training) είναι: K-Nearest Neighbors, Logistic Regression, Naive Bayes, Linear Discriminant Analysis, Quadratic Discriminant Analysis, Random Forest και Support Vector Machines. Επιπλέον, για κάθε αλγόριθμο διερευνήθηκε η εφαρμογή δύο τεχνικών dimensionality reduction: Principal Component Analysis (PCA) και Fisher's score. Η ανάλυση βασίστηκε σε δύο ξεχωριστά πειραματικά σχήματα: trial-based (η εκπαίδευση των αλγορίθμων έγινε σε επίπεδο συνεδρίας) και subject-based (η εκπαίδευση των αλγορίθμων έγινε σε επίπεδο εκπαιδευομένου). Η ανάλυση έδειξε ότι το υψηλότερο ποσοστό ακρίβειας επιτεύχθηκε με τη χρήση Support Vector Machine (SVM) με γραμμικό kernel, με ποσοστό ακρίβειας: 97,08% για την άσκηση 5, 97,29% για την άσκηση 6 και 76,43% για την άσκηση 7, με χρήση του PCA. Επιπλέον, η μελέτη προσδιορίζει, μέσω του Fisher's score, τα έξι καλύτερα χαρακτηριστικά (μετρικές απόδοσης) για κάθε άσκηση και τις διαφορές στα ποσοστά ακρίβειας μεταξύ των δύο πειραματικών σχημάτων (διαφορά από 1 έως 3%). Συμπερασματικά, η χρήση αλγορίθμων μηχανικής μάθησης μπορεί να συνεισφέρει σημαντικά στην αντικειμενική αξιολόγηση χειρουργικών δεξιοτήτων σε προσομοιωτές εικονικής πραγματικότητας.","The benefits of minimally invasive surgery (MIS) are well-established for patients (e.g. shorter recovery time and less chance of infection). However, specialised training is required to ensure that these procedures are performed accurately and safely. Thus, laparoscopic training platforms and virtual reality simulators have been developed. Machine learning algorithms can analyse large datasets to reveal previously unrecognised patterns and expand understanding of technical skill. The objective of this thesis is to apply machine learning algorithms to classify trainees at the beginning/end of their training in a virtual reality laparoscopic simulator (Lap Mentor). Specifically, the dataset included performance metrics for 6 training sessions (trials) in 3 laparoscopic tasks performed by 23 medical students (138 sessions per task). The three tasks selected are Clipping and Grasping (Task 5), Two-Handed Maneuvers (Task 6), and Cutting (Task 7). For each task, the first/last 3 sessions correspond to the start/end of skill practice (Start/End of Training), respectively. The algorithms applied for skill assessment (Start vs. End of Training) are K-Nearest Neighbors, Logistic Regression, Naive Bayes, Linear Discriminant Analysis, Quadratic Discriminant Analysis, Random Forest and Support Vector Machines. In addition, for each algorithm, the application of two dimensionality reduction techniques were investigated: Principal Component Analysis (PCA) and Fisher's score. The analysis was based on two separate experimental schemes: trial-based (algorithm training was performed at the session level) and subject-based (algorithm training was performed at the trainee level). The analysis indicates that the the highest accuracy rate was achieved using Support Vector Machine (SVM) with linear kernel, with an accuracy rate of 97.08% for task 5, 97.29% for task 6 and 76.43% for task 7, using PCA. In addition, the study identifies, through Fisher's score, the six best features (performance metrics) for each task and the differences in accuracy rates between the two experimental schemes (difference from 1 to 3%). In conclusion, the use of machine learning algorithms can make a significant contribution to the objective evaluation of surgical skills in virtual reality simulators."]},{"key":"dc:title","label":"Title","values":["Machine learning techniques for assessment of surgical skills during training in a virtual reality simulator"]}]}],"canonical_facts":{"dc:creator":["Πρεβεζάνου Κωνσταντίνα","Prevezanou Konstantina"],"dc:date":["2023"],"dc:description":["Τα οφέλη της ελάχιστα επεμβατικής χειρουργικής είναι αποδεδειγμένα για τους ασθενείς (π.χ. μικρότερος χρόνος αποκατάστασης και πιθανότητα μόλυνσης). Ωστόσο, απαιτείται εξειδικευμένη εκπαίδευση για να διασφαλιστεί ότι οι επεμβάσεις αυτές εκτελούνται με ακρίβεια και ασφάλεια. Έτσι, έχουν αναπτυχθεί πλατφόρμες λαπαροσκοπικής εκπαίδευσης και προσομοιωτές εικονικής πραγματικότητας. Οι αλγόριθμοι μηχανικής μάθησης μπορούν να αναλύσουν μεγάλα σύνολα δεδομένων για να αποκαλύψουν προηγουμένως μη αναγνωρισμένα μοτίβα και να διευρύνουν την κατανόηση της τεχνικής δεξιότητας. Στόχος της διπλωματικής εργασίας είναι η εφαρμογή αλγορίθμων μηχανικής μάθησης για την ταξινόμηση εκπαιδευομένων που βρίσκονται στην αρχή/τελός της εκπαίδευσής τους σε λαπαροσκοπικό προσομοιωτή εικονικής πραγματικότητας (Lap Mentor). Συγκεκριμένα, το σύνολο δεδομένων περιλάμβανε μετρικές απόδοσης για 6 εκπαιδευτικές συνεδρίες (trials) σε 3 λαπαροσκοπικές ασκήσεις, οι οποίες εκτελέστηκαν από 23 φοιτητές ιατρικής (138 συνεδρίες ανά άσκηση). Οι τρεις ασκήσεις που επιλέχθηκαν από τον προσομοιωτή είναι: Clipping and Grasping (Άσκηση 5), Two-Handed Maneuvers (Άσκηση 6) και Cutting (Άσκηση 7). Για κάθε άσκηση, οι 3 πρώτες/τελευταίες συνεδρίες αντιστοιχούν στην αρχή/τέλος της εξάσκησης δεξιοτήτων (Start/End of Training), αντίστοιχα. Οι αλγόριθμοι που εφαρμόστηκαν για την αναγνώριση δεξιοτήτων (Start vs. End of Training) είναι: K-Nearest Neighbors, Logistic Regression, Naive Bayes, Linear Discriminant Analysis, Quadratic Discriminant Analysis, Random Forest και Support Vector Machines. Επιπλέον, για κάθε αλγόριθμο διερευνήθηκε η εφαρμογή δύο τεχνικών dimensionality reduction: Principal Component Analysis (PCA) και Fisher's score. Η ανάλυση βασίστηκε σε δύο ξεχωριστά πειραματικά σχήματα: trial-based (η εκπαίδευση των αλγορίθμων έγινε σε επίπεδο συνεδρίας) και subject-based (η εκπαίδευση των αλγορίθμων έγινε σε επίπεδο εκπαιδευομένου). Η ανάλυση έδειξε ότι το υψηλότερο ποσοστό ακρίβειας επιτεύχθηκε με τη χρήση Support Vector Machine (SVM) με γραμμικό kernel, με ποσοστό ακρίβειας: 97,08% για την άσκηση 5, 97,29% για την άσκηση 6 και 76,43% για την άσκηση 7, με χρήση του PCA. Επιπλέον, η μελέτη προσδιορίζει, μέσω του Fisher's score, τα έξι καλύτερα χαρακτηριστικά (μετρικές απόδοσης) για κάθε άσκηση και τις διαφορές στα ποσοστά ακρίβειας μεταξύ των δύο πειραματικών σχημάτων (διαφορά από 1 έως 3%). Συμπερασματικά, η χρήση αλγορίθμων μηχανικής μάθησης μπορεί να συνεισφέρει σημαντικά στην αντικειμενική αξιολόγηση χειρουργικών δεξιοτήτων σε προσομοιωτές εικονικής πραγματικότητας.","The benefits of minimally invasive surgery (MIS) are well-established for patients (e.g. shorter recovery time and less chance of infection). However, specialised training is required to ensure that these procedures are performed accurately and safely. Thus, laparoscopic training platforms and virtual reality simulators have been developed. Machine learning algorithms can analyse large datasets to reveal previously unrecognised patterns and expand understanding of technical skill. The objective of this thesis is to apply machine learning algorithms to classify trainees at the beginning/end of their training in a virtual reality laparoscopic simulator (Lap Mentor). Specifically, the dataset included performance metrics for 6 training sessions (trials) in 3 laparoscopic tasks performed by 23 medical students (138 sessions per task). The three tasks selected are Clipping and Grasping (Task 5), Two-Handed Maneuvers (Task 6), and Cutting (Task 7). For each task, the first/last 3 sessions correspond to the start/end of skill practice (Start/End of Training), respectively. The algorithms applied for skill assessment (Start vs. End of Training) are K-Nearest Neighbors, Logistic Regression, Naive Bayes, Linear Discriminant Analysis, Quadratic Discriminant Analysis, Random Forest and Support Vector Machines. In addition, for each algorithm, the application of two dimensionality reduction techniques were investigated: Principal Component Analysis (PCA) and Fisher's score. The analysis was based on two separate experimental schemes: trial-based (algorithm training was performed at the session level) and subject-based (algorithm training was performed at the trainee level). The analysis indicates that the the highest accuracy rate was achieved using Support Vector Machine (SVM) with linear kernel, with an accuracy rate of 97.08% for task 5, 97.29% for task 6 and 76.43% for task 7, using PCA. In addition, the study identifies, through Fisher's score, the six best features (performance metrics) for each task and the differences in accuracy rates between the two experimental schemes (difference from 1 to 3%). In conclusion, the use of machine learning algorithms can make a significant contribution to the objective evaluation of surgical skills in virtual reality simulators."],"dc:identifier":["uoadl:3327408","https://pergamos.lib.uoa.gr/uoa/dl/object/3327408"],"dc:language":["English"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Machine learning techniques for assessment of surgical skills during training in a virtual reality simulator"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:22:08Z"}