Towards Actionable Surgical Team Dynamics: from Teamwork to Counterfactual Annotations

तकनीकी सारांश: क्रियात्मक सर्जिकल टीम गतिशीलता की ओर

समस्या विवरण
ऑपरेटिंग रूम (OR) जैसे उच्च-जोखिम वाले वातावरण में प्रभावी टीम वर्क, जो रोगी की सुरक्षा के लिए महत्वपूर्ण है, गैर-तकनीकी कौशल जैसे संचार, समन्वय और स्थितिजन्य जागरूकता पर अत्यधिक निर्भर करता है। जबकि हालिया सर्जिकल डेटा विज्ञान के विकास ने मल्टीमॉडल डेटासेट (जैसे, Cholec80, MM-OR) का उत्पादन किया है, ये संसाधन मुख्य रूप से दृश्य दृश्य समझ (visual scene understanding), प्रक्रियात्मक चरण पहचान और क्रिया पहचान पर केंद्रित हैं। इनमें टीम-स्तरीय घटनाओं, जैसे कि वक्ता-विशिष्ट संवादात्मक संरचनाओं, गैर-तकनीकी कौशल मूल्यांकन और बातचीत के टूटने की गतिशीलता के एकीकृत प्रतिनिधित्व का अभाव है। इसके अलावा, मौजूदा डेटासेट अक्सर मोडैलिटी और एनोटेशन स्कीमा में खंडित होते हैं, और वे शायद ही कभी इस बात की व्याख्यात्मक अंतर्दृष्टि प्रदान करते हैं कि टीम वर्क का प्रदर्शन क्यों घटता है। वर्तमान कम्प्यूटेशनल मॉडल टीम प्रदर्शन को एक एकल स्कोर तक सीमित कर देते हैं, जो व्यक्तिगत, अंतर-व्यक्तिगत और सामूहिक प्रक्रियाओं के जटिल परस्पर प्रभाव की अनदेखी करते हैं, और वे व्याख्या योग्य विवरण प्रदान करने में विफल रहते हैं जो क्लिनिकल सेटिंग्स में विश्वास और हस्तक्षेप के लिए आवश्यक हैं।

कार्यप्रणाली
लेखक सार्वजनिक रूप से उपलब्ध MM-OR डेटासेट का एक व्यापक विस्तार प्रस्तावित करते हैं, जिसमें रोबोटिक नी रिप्लेसमेंट प्रक्रियाओं के सिंक्रोनाइज़ मल्टीमॉडल रिकॉर्डिंग शामिल हैं। कार्यप्रणाली में तीन प्राथमिक तकनीकी घटक शामिल हैं:

1. मल्टीमॉडल संवर्धन पाइपलाइन (Multimodal Enrichment Pipeline):

   • स्पीकर डायराइजेशन (Speaker Diarization): शोर वाले OR वातावरण में उच्च टेम्पोरल सटीकता सुनिश्चित करने के लिए वक्ता के टर्न का मैनुअल परिशोधन, जिससे टर्न-टेकिंग, व्यवधान और भागीदारी संतुलन का विश्लेषण सक्षम हो सके।
   • द्विभाषी ट्रांसक्रिप्शन (Bilingual Transcription): एनोटेशन समीक्षा और क्रॉस-लिंगुअल मॉडलिंग को सुगम बनाने के लिए संरेखित जर्मन (मूल) और अंग्रेजी ट्रांसक्रिप्ट का निर्माण।
   • डेटा संरचना: यह संसाधन हार्डवेयर-सिंक्रोनाइज़्ड मोडैलिटीज बनाए रखता है जिसमें 5 RGB-D कैमरे, 3 RGB कैमरे, 3 माइक्रोफोन, रोबोटिक लॉग और 3D ट्रैकिंग शामिल हैं, जो 1 FPS पर संरेखित हैं।

2. बहु-स्तरीय एनोटेशन ढांचा (Multi-Level Annotation Framework):
   लेखक एक पदानुक्रमित एनोटेशन स्कीमा पेश करते हैं जो 169 छह-मिनट के वीडियो क्लिप को कवर करता है, जिसे तीन विशेषज्ञों द्वारा स्थापित ढांचों का उपयोग करके एनोटेट किया गया है:

   • टीम-स्तर (Team-Level): OTAS (सर्जरी के लिए ऑब्जर्वेशनल टीमवर्क असेसमेंट) का उपयोग करके पांच निर्माणों (संचार, समन्वय, सहयोग, नेतृत्व, निगरानी) को 0–6 लिकर्ट स्केल पर रेट करना।
   • इंटरेक्शन-स्तर (Interaction-Level): मानव-केवल टीमों के लिए HMT (ह्यूमन-मशीन टीमिंग) ढांचे को अनुकूलित करना ताकि पांच मैक्रो-श्रेणियों (संचार, संयुक्त सूचना प्रसंस्करण, समन्वय, अंतर-व्यक्तिगत संबंध, प्रेरणा) में युग्मवार (pairwise) बातचीत का आकलन किया जा सके।
   • व्यक्तिगत-स्तर (Individual-Level):
     • गतिशील (Dynamic): स्थितिजन्य जागरूकता, निर्णय लेना, संचार/टीमवर्क और नेतृत्व का आकलन करने के लिए NOTSS (सर्जन के लिए गैर-तकनीकी कौशल) का उपयोग करना।
     • स्थिर/स्थिर (Static/Stable): स्थिर लक्षणों और उभरते नेतृत्व को कैप्चर करने के लिए BFTQ (बिग-फाइव-इन-टीमवर्क), SYMLOG (नेतृत्व/अंतर-व्यक्तिगत व्यवहार) और GLIS (जनरल लीडरशिप इम्प्रेशन स्केल) को एकीकृत करना।

3. काउंटरफैक्चुअल एनोटेशन लेयर (Counterfactual Annotation Layer):
   एक अभिनव योगदान जहाँ एनोटेटर उन विशिष्ट घटनाओं या व्यवहारों की पहचान करते हैं जिन्होंने एक सेगमेंट के भीतर टीम वर्क को सबसे अधिक नकारात्मक रूप से प्रभावित किया। इन एनोटेशन में शामिल हैं:

   • टेम्पोरल इंटरवल्स (Temporal Intervals): ट्रिगरिंग इवेंट की छोटी अवधि।
   • एट्रिब्यूशन (Attribution): प्रभावित टीम निर्माण और जिम्मेदार एजेंट(स) की पहचान।
   • गुणवत्ता रेटिंग (Quality Ratings): पाँच आयाम जिन्हें 1–5 ऑर्डिनल स्केल पर मूल्यांकित किया गया है: क्रिटिकैलिटी (प्रदर्शन पर प्रभाव), प्लासिबिलिटी (विकल्प की वास्तविकता), कॉन्फिडेंस (एनोटेटर की निश्चितता), मिनिमैलिटी (परिवर्तन की पर्याप्तता), और एक्सपेक्टेड एन्हांसमेंट (संभावित प्रदर्शन लाभ)।
   • तर्क (Rationales): घटना, परिणाम और वैकल्पिक व्यवहारों का वर्णन करने वाले पाठ्य स्पष्टीकरण।

प्रमुख योगदान

• समृद्ध मल्टीमॉडल डेटासेट: हैंड-क्राफ्टेड स्पीकर-अवेयर और लैंग्वेज-अवेयर रिप्रजेंटेशन (डायराइजेशन और द्विभाषी ट्रांसक्रिप्ट) के साथ कच्चे मल्टीमॉडल संकेतों को संयोजित करने वाला पहला सार्वजनिक OR डेटासेट।
• बहु-स्तरीय एनोटेशन ढांचा: एक एकीकृत संसाधन जो कई प्रमाणित सैद्धांतिक ढांचों (OTAS, HMT, NOTSS, BFTQ, SYMLOG, GLIS) से प्राप्त टीम-स्तर, इंटरेक्शन-स्तर और व्यक्तिगत-स्तर के आकलन प्रदान करता है।
• काउंटरफैक्चुअल एनोटेशन प्रोटोकॉल: एक नवीन लेयर जो टीम वर्क गिरावट के लिए व्याख्यात्मक संकेतों को कैप्चर करती है, जो केवल वर्णनात्मक स्कोर से आगे बढ़कर विशिष्ट व्यवहारिक ट्रिगर्स और संभावित वैकल्पिक परिणामों की पहचान करती है।
• बेंचमार्क कार्य: यह पेपर तीन अलग-अलग अनुसंधान दिशाओं के लिए आधारभूत प्रदर्शन स्थापित करता है:
  1. फीचर एनरिचमेंट: स्पीकर-अवेयर और ट्रांसक्रिप्ट-आधारित रिप्रजेंटेशन की उपयोगिता का अनुभवजन्य मूल्यांकन और मात्रा निर्धारण, यह प्रदर्शित करते हुए कि वे कच्चे ऑडियो/विजुअल फीचर्स की तुलना में पूरक जानकारी प्रदान करते हैं और टीम वर्क भविष्यवाणी में सुधार करते हैं।
  2. बहु-स्तरीय भविष्यवाणी: यह दिखाना कि टेम्पोरल-रिलेशनल आर्किटेक्चर (विशेष रूप से TE-ReNN) सभी एनोटेशन स्तरों पर कंस्ट्रक्ट्स की भविष्यवाणी करने में स्टैटिक और शुद्ध टेम्पोरल मॉडलों से बेहतर प्रदर्शन करते हैं।
  3. काउंटरफैक्चुअल डिटेक्शन: यह सिद्ध करना कि मल्टीमॉडल संकेतों में टीम वर्क गिरावट से जुड़ी घटनाओं की पहचान करने के लिए भविष्य कहनेवाला पैटर्न होते हैं, जो संयोग (chance) से काफी ऊपर प्रदर्शन प्राप्त करते हैं।

परिणाम

• एनोटेशन वितरण: डेटासेट मध्यम क्लास असंतुलन प्रदर्शित करता है, जिसमें अधिकांश रेटिंग मध्यम-से-सकारात्मक स्कोर (जैसे, संचार के लिए OTAS में 62.7% क्लिप्स को 4 या 5 रेट किया गया) के आसपास केंद्रित है, जो रिकॉर्ड की गई प्रक्रियाओं में आम तौर पर सक्षम लेकिन असाधारण नहीं टीम प्रदर्शन को दर्शाता है।
• काउंटरफैक्चुअल अंतर्दृष्टि: लगभग 70% काउंटरफैक्चुअल इवेंट्स संचार, निगरानी या सहयोग की विफलताओं से संबंधित हैं। अधिकांश घटनाएं एकल अभिनेताओं (औसत 1.3 अभिनेता) के कारण होती हैं, और क्रिटिकैलिटी एवं कॉन्फिडेंस स्कोर आम तौर पर कम-से-मध्यम हैं, जो यह सुझाव देते हैं कि एनोटेटरों ने इन्हें विनाशकारी विफलताओं के बजाय मध्यम अक्षमताओं के रूप में देखा।
• मॉडल प्रदर्शन:
  • फीचर प्रभाव: डायराइजेशन और ट्रांसक्रिप्ट का उपयोग करने वाले मॉडल लगातार केवल कच्चे ऑडियो और कंप्यूटर विजन फीचर्स का उपयोग करने वाले मॉडलों से बेहतर प्रदर्शन करते हैं।
  • आर्किटेक्चर: TE-ReNN (टेम्पोरल-रिलेशनल न्यूरल नेटवर्क्स) ने सभी कार्यों के लिए उच्चतम F1-मैक्रो स्कोर प्राप्त किया (उदाहरण के लिए, OTAS के लिए 74.2%, BFTQ के लिए 76.7%), जो पुष्टि करता है कि सर्जिकल टीम वर्क विश्लेषण के लिए टेम्पोरल इवोल्यूशन और इंटरपर्सनल डिपेंडेंसी को संयुक्त रूप से मॉडल करना आवश्यक है।
  • काउंटरफैक्चुअल डिटेक्शन: घटनाओं की दुर्लभता के बावजूद, मॉडलों ने रैंडम चांस से काफी ऊपर F1-मैक्रो स्कोर प्राप्त किया, जो इन व्याख्यात्मक संकेतों की सीखने की क्षमता (learnability) को प्रमाणित करता है।

महत्व और दावे
यह पेपर सर्जिकल डेटा साइंस के प्रतिमान को विशुद्ध रूप से वर्णनात्मक वर्कफ्लो मॉडलिंग से एकीकृत, मल्टीमॉडल और व्याख्यात्मक टीम डायनेमिक्स मॉडलिंग की ओर बदलने का दावा करता है। कच्चे सेंसर डेटा को उच्च-स्तरीय सामाजिक निर्माणों और काउंटरफैक्चुअल स्पष्टीकरणों से जोड़कर एक एकीकृत संसाधन प्रदान करके, यह कार्य सक्षम बनाता है:

• यह अध्ययन कि कैसे व्यक्तिगत क्रियाएं और इंटरेक्शन पैटर्न संयुक्त रूप से टीम के परिणामों में योगदान देते हैं।
• AI-सहायता प्राप्त सहयोगी प्रणालियों का विकास जो टीम वर्क के टूटने की पहचान करने और सुधार के सुझाव देने में सक्षम हों।
• उच्च-जोखिम वाले डोमेन में भविष्य कहनेवाला मॉडलिंग और व्यवहारिक विश्लेषण के लिए एक आधार।

लेखक विनम्रतापूर्वक स्वीकार करते हैं कि काउंटरफैक्चुअल एनोटेशन प्रयोगात्मक रूप से सत्यापित कारण तंत्र के बजाय विशेषज्ञों के निर्णय का प्रतिनिधित्व करते हैं। वे यह भी नोट करते हैं कि मैनुअल एनोटेशन पर निर्भरता स्केलेबिलिटी को सीमित करती है, जिससे पता चलता है कि भविष्य के कार्य अर्ध-स्वचालित पाइपलाइनों की खोज कर सकते हैं। फिर भी, इस संसाधन को सर्जिकल टीमों के लिए व्याख्या योग्य, मानव-केंद्रित AI की दिशा में एक महत्वपूर्ण कदम के रूप में रखा गया है।