Натурні 3D–моделі як ефективний інструмент для відпрацювання навичок риноендоскопічних втручань
DOI:
https://doi.org/10.31649/1681-7893-2025-50-2-233-243Ключові слова:
3D-друк, анатомічні моделі, риноендоскопія, симуляційне навчання, сегментація томографічних зображень, хірургічні навички, функціональна ендоскопічна хірургія пазухАнотація
У статті представлено підхід до створення та використання натурних 3D-друкованих анатомічних моделей для відпрацювання навичок риноендоскопічних втручань. Описано методику отримання та сегментації томографічних даних, формування позрізових моделей та їх подальше прототипування засобами адитивних технологій. Особливу увагу приділено оцінці ефективності моделей у навчальному процесі, включно з можливістю об’єктивного вимірювання хірургічних навичок за допомогою стандартизованих методик на кшталт OSATS. Наведено результати досліджень, які підтверджують зменшення часу виконання процедур, підвищення точності маніпуляцій та зростання рівня підготовленості лікарів-отоларингологів. Обговорюються переваги персоніфікованих 3D-моделей, їх роль у симуляційному навчанні та перспективи впровадження у клінічну практику.
Посилання
Modern technologies of phantom modeling in neurosurgery as a type of simulation training of neurosurgeons / V. O. Pyatikop, O. G. Avrunin, M. Yu. Tymkovych, I. O. Kutovy, I. O. Polyakh // Simulation training in the system of medical personnel training: materials of educational and methodological conference – Kharkiv: KhNMU, 2016. – P. 136–138.
Computer planning of minimally invasive interventions in ophthalmology and neurosurgery / Avrunin O. G., Filatov V. O., Tymkovych M. Yu., Kukharenko D. V., Pyatikop V. O. – Kharkiv: KhNURE, 2020. – 160 p. DOI: https://doi.org/10.30837/978-966-659-283-8.
Ayub S. M. "See one, do one, teach one": Balancing patient care and surgical training in an emergency trauma department // J. Glob. Health. – 2022. – Vol. 12. – P. 03051. DOI: https://doi.org/10.7189/jogh.12.03051.
Avrunin O. G. et al. Application of 3D printing technologies in building patient-specific training systems for computing planning in rhinology // Information Technology in Medical Diagnostics II. – 2019. – P. 1–8. DOI: https://doi.org/10.1201/9780429057618-1.
Avrunin O. et al. Computed tomography dataset analysis for stereotaxic neurosurgery navigation // Proc. Int. Conf. Advanced Optoelectronics and Lasers (CAOL). – 2019. – P. 606–609. DOI: https://doi.org/10.1109/CAOL46282.2019.9019459.
Tiwari D., Vobilisetty R. K., Heer B. Current Application and Future Prospects of 3D Printing in Otorhinolaryngology // Indian J. Otolaryngol. Head Neck Surg. – 2022. – Vol. 74(1). – P. 123–126. DOI: https://doi.org/10.1007/s12070-021-02634-5.
Meyer-Szary J. et al. The Role of 3D Printing in Planning Complex Medical Procedures and Training of Medical Professionals // Int. J. Environ. Res. Public Health. – 2022. – Vol. 19(6). – P. 3331. DOI: https://doi.org/10.3390/ijerph19063331.
Tikka S. et al. A Feasible, Low-Cost Capsicum and Tomato Model for Endoscopic Sinus and Skull Base Surgery Training // Indian J. Otolaryngol. Head Neck Surg. – 2022. – Vol. 74(Suppl 3). – P. 4565–4570. DOI: https://doi.org/10.1007/s12070-021-02583-z.
De Oliveira H. F. et al. A feasible, low-cost, reproducible lamb’s head model for endoscopic sinus surgery training // PLoS One. – 2017. – Vol. 12(6). – e0180273. DOI: https://doi.org/10.1371/journal.pone.0180273.
Suzuki M. et al. Remote Training of FESS With Advanced 3D Models and Telemedicine System // Front. Surg. – 2021. – Vol. 8. – 746837. DOI: https://doi.org/10.3389/fsurg.2021.746837.
Suzuki M. et al. Repetitive simulation training with novel 3D-printed sinus models // Laryngoscope Investig. Otolaryngol. – 2022. – Vol. 7(4). – P. 943–954. DOI: https://doi.org/10.1002/lio2.873.
Suzuki M. et al. Can high-fidelity 3D models replace cadavers in skill assessment for ESS? // Front. Med. – 2024. – Vol. 11. – 1301511. DOI: https://doi.org/10.3389/fmed.2024.1301511.
Gillanders S. L. et al. Safe surgical training: evaluation of national FESS model course // Ir. J. Med. Sci. – 2023. – Vol. 192(6). – P. 3039–3042. DOI: https://doi.org/10.1007/s11845-023-03309-6.
Schlegel L. E. et al. Understanding the Patient Experience With Personalized 3D Models // Cureus. – 2023. – Vol. 15(2). – e35134. DOI: https://doi.org/10.7759/cureus.35134.
Pettersson A. B. V. et al. Legal issues and underexplored data protection in medical 3D printing // Front. Bioeng. Biotechnol. – 2023. – Vol. 11. – 1102780. DOI: https://doi.org/10.3389/fbioe.2023.1102780.
Varshney R. et al. The McGill simulator for ESS (MSESS): validation study // J. Otolaryngol. Head Neck Surg. – 2014. – Vol. 43(1). – 40. DOI: https://doi.org/10.1186/s40463-014-0040-8.
Avrunin O. G. et al. Study of the air flow mode in the nasal cavity // Proc. SPIE. – 2017. – Vol. 10445. – 104453H. DOI: https://doi.org/10.1117/12.2280941.
Saied H. F. I., Al-Omari A. K., Avrunin O. G. Determination of aerodynamic characteristics of nasal airways // Advances in Intelligent and Soft Computing. – 2011. – Vol. 102. – P. 311–322. DOI: https://doi.org/10.1007/978-3-642-23154-4_35.
Avrunin O. G. et al. Principles of computer planning in functional nasal surgery // Przegląd Elektrotechniczny. – 2017. – Vol. 93(3). – P. 140–143. DOI: https://doi.org/10.15199/48.2017.03.32.
Avrunin O. G. et al. Image Segmentation of the Upper Respiratory Tract // Proc. ELNANO 2019. – P. 485–488. DOI: https://doi.org/10.1109/ELNANO.2019.8783739.
Nosova Y. V. et al. Pre-Processing of Tomographic Images for Segmentation of Paranasal Sinuses // Proc. ELNANO 2019. – P. 489–492. DOI: https://doi.org/10.1109/ELNANO.2019.8783713.
Chatterjee S. et al. Classification of brain tumours in MR images using deep spatiospatial models // Sci. Rep. – 2022. – Vol. 12. – 1505. DOI: https://doi.org/10.1038/s41598-022-05572-6.
Mzoughi H. et al. Deep multi-scale 3D CNN for glioma classification // J. Digit. Imaging. – 2020. – Vol. 33. – P. 903–915.
He K. et al. Deep residual learning for image recognition // Proc. CVPR. – 2016. – P. 770–778.
Pavlov S. V., Avrunin O. G., Zlepko S. M., Bodiansky E. V., Kolisnyk P. F., Lysenko O. M., Chaykovsky I. A., Filatov V. O. Intelligent technologies in medical diagnostics, treatment and rehabilitation: monograph. Vinnytsia: PP "TD "Edelweiss and K", 2019. 260 p.
Kozhemʼyako V. P. Optical-electronic methods and tools for processing and analyzing biomedical images [monograph] / V. P. Kozhemʼyako, S. V. Pavlov, K. I. Stanchuk. – Vinnytsia: UNIVERSUM, 2006 – 203 p.
Pavlov S. V. Information Technology in Medical Diagnostics //Waldemar Wójcik, Andrzej Smolarz, July 11, 2017 by CRC Press - 210 Pages.
Wójcik W., Pavlov S., Kalimoldayev M. Information Technology in Medical Diagnostics II. London: (2019). Taylor & Francis Group, CRC Press, Balkema book. – 336 Pages.
##submission.downloads##
-
PDF
Завантажень: 0
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
