Assessment of the Learning Curve for Robotic-Assisted Microvascular Anastomosis Using the Symani Surgical System: A Prospective Training Study Across Different Levels of Surgical Experience

最小スケールでの手術は、人間の限界への挑戦である。髪の毛よりも細い血管を縫い合わせるためには、外科医は顕微鏡を通して作業を明確に捉え、震えない手で針を保持し、両手を完璧な精度で動かすように調整しなければならない。数十年にわたり、この技術を習得するには、指導者の監視の下、実際の組織を用いた長年の練習が必要であった。学習プロセスは緩やかであり、許容される誤差の範囲は極めて小さい。わずかな手ブレや、縫い目の位置のずれが血流を遮断し、修復を台無しにしてしまうのである。近年、テクノロジーがこれらの繊細な作業への新しいアプローチを提示している。ロボットシステムが外科医を支援するために開発されており、人間の意図と微細な実行との間の架け橋として機能している。これらの機械は、人間の手の自然な震えをフィルタリングし、動きをスケールダウンさせることができるため、外科医による大きな動きが、器具による極めて精密な動きへと変換される。しかし、機械が助けになるからといって、人間がそれを容易に使いこなせるとは限らない。この環境下でロボットを操作することを学ぶには、従来の外科手術で使用されるスキルとは異なる、新しい種類の筋肉の記憶（マッスルメモリー）が必要となる。問題は、この新しい働き方を学ぶのにどれくらいの時間がかかるのか、そして外科医の過去の手術経験がそのプロセスにおいて助けとなるのか、あるいは妨げとなるのかという点である。

研究チームは、オープン・マイクロサージェリー（開創微小外科）のために特別に設計されたロボットプラットフォームである「Symani Surgical System」の使用方法を、異なる背景を持つ人々がどのように学んでいくかを観察することで、これらの疑問に答えるべく着手した。彼らは患者や実際のオペレーションを対象としたのではなく、血管を模した合成チューブを用いた制御されたトレーニング環境を作成した。研究には、経験に基づいて3つのグループに分けられた6人の参加者が含まれた。すなわち、長年手技による微小血管手術を行ってきた2人の外科医、微細な手技による修復経験が一度もない2人の外科医、そして外科経験が全くない2人の医学生である。目的は、各グループがどのようにロボットに適応し、そのパフォーマンスが時間の経過とともにどのように変化するかを見ることであった。研究者たちは、学習プロセスを導くための特定のトレーニング経路を提案した。まず、全員がコントロールの感覚を掴むために、単にロボットアームを動かすだけの15分間のセッションから始まった。このウォーミングアップの後、参加者は主要なタスクへと進んだ。それは、連続した管を作るために、2本の合成チューブの両端を縫い合わせることである。チューブは、小さくてはいるが扱いやすいサイズである、直径2ミリメートルのものから開始した。各参加者は、1回の試行の間に1週間の間隔を空けて、このタスクを3回ずつ行った。大きなチューブの縫合を完了した後、2組の外科医グループは、さらに困難な課題、すなわち、わずか1ミリメートルの幅のチューブを縫い合わせるステップへと進んだ。

研究者たちは、成功を2つの方法で測定した。第一に、全体の縫合タスクにかかった時間と、個々の縫い目にかかった時間を計測した。第二に、完成した仕事の質を評価した。各試行の後、チームは合成チューブを縦に切り開き、内部を検査した。彼らは、縫い目の不均一さや漏れを引き起こす可能性のある隙間といった特定のミスを探し、発見されたエラーの数に基づいてスコアを割り当てた。スコアが低いほど、より優れた、確実な接続であることを意味する。結果は、全体的な向上の明確なパターンを示した。全員が練習とともに速くなった。最も遅くスタートした医学生は、最も劇的な時間の短縮を見せた。2ミリメートルのチューブに対する3回目の試行までに、彼らは熟練した外科医との差を大幅に縮めていた。微小外科の経験がない外科医のグループも着実に向上し、最終的には大きなチューブにおいてエキスパートの速度に追いついた。タスクが1ミリメルのチューブへと難しくなった際、経験豊富な外科医は比較的安定したペースを維持したが、経験の浅い外科医たちは引き続き速度を上げ続け、再びパフォーマンスの差を縮めた。

しかし、スピードだけが物語のすべてではなかった。研究者たちは、速くなることがミスを増やすことにならないかを慎重に確認した。彼らが見出したのは、その逆であった。参加者が迅速になるにつれて、作業の質も実際に向上していたのである。チューブ内部で見つかるエラーの数は、試行を重ねるごとに減少していった。これは、参加者が単に急いで作業を行っていたのではなく、効率性と正確性を同時に高めていたことを示唆している。最も多くのエラーからスタートした医学生は、練習に伴いミスが最も大きく減少した。困難な1ミリメルのチューブにおいても、両方の外科医グループは3回目の試行までに最高の品質スコアに達した。これは、このロボットシステムの学習曲線が急峻かつポジティブであり、短期間でスピードと精密さの両方を得られることを示している。また、本研究は、手技による外科手術の過去の経験が、ロボットを使用する際の優位性を保証するものではないことも強調した。経験豊富な外科医はスピードにおいてわずかな優位性を持ってスタートしたが、彼らが新しいシステムを学ぶ速度は他のグループよりも速かったわけではなかった。実際、学生や未経験の外科医たちはロボットのインターフェースを非常に素早く習得し、数週間以内にエキスパートに追いついたのである。

研究者たちは、彼らの知見は少人数のグループと限定的な練習回数に基づいているため、結果はこれが学習がどのように起こるかについての「最初の展望」であり、最終的な法則ではないと述べている。彼らは、改善が直線的ではないことを観察した。複雑な身体的スキルを学ぶ際には一般的なことだが、パフォーマンスは試行ごとにわずかに変動した。研究は完全に合成モデルを用いて行われた。これらは一貫性があり扱いやすいが、実際のヒト組織のような質感、柔軟性、あるいは出血は伴わない。したがって、本研究の結果は、人がトレーニングモデル上でロボットを効果的に使用する方法を学べることを示してはいるものの、これらのスキルが実際のオペ室でどの程度転移するかはまだ分かっていない。著者らは、このトレーニングプロトコルが、より簡単なタスクからより難しいタスクへと進みながら、スピードと質の双方を測定する、ロボット微小外科を教えるための構造化された方法として機能し得ると示唆している。彼らは、エキスパートになるために正確に何回の反復が必要かを判断するためには、将来の研究において、より多くの人々を対象とし、より長いトレーニング期間を設ける必要があると強調している。現時点では、本研究は学習の初期段階を明確に描き出している。つまり、構造化されたアプローチがあれば、あらゆる経験レベルの人々が、作業の質を犠牲にすることなく、迅速にロボットの支援に適応し、より速く、より正確になれるということである。