数字手术室中的神经工效学：注意力双竞争模型在外科环境中的应用与意义

《IEEE Transactions on Human-Machine Systems》：Neuroergonomics in Digital Operating Rooms: Applying the Two-Competitor Model of Attention to the Surgical Context

本文针对手术室中高负荷工作环境下团队成员面临注意力分散、疲劳累积等挑战，提出将先前在沉浸式环境中验证有效的注意力双竞争模型应用于外科场景。研究人员通过系统分析手术中分心的来源（内部、外部及团队相关）、时间动态及疲劳影响，构建了能够量化注意力分配的理论框架，为未来开发神经工效学辅助系统、优化团队协作及手术安全提供理论基础。该模型有望成为跨实验室研究比较的标准工具，并推动手术室人机交互技术的创新发展。

　　

在当今高度数字化的手术室中，外科团队成员长期面临高强度工作压力、不规律作息以及复杂环境带来的多重干扰。尽管手术过程要求极高的专注度，但团队成员却需要在信息不完整、突发干扰频发的条件下保持精准操作。据统计，手术期间的门户开关、设备故障、无关对话等事件屡见不鲜，甚至术中教学、病房呼叫等认知负荷也会持续分散主刀医生的注意力。更严峻的是，疲劳累积与昼夜节律紊乱进一步削弱了团队的注意力韧性，潜在地提升了手术错误风险。然而，目前对手术环境中注意力机制的量化研究仍处于初级阶段，缺乏统一的理论模型和有效的实时监测手段。

为此，David Thinnes 等研究者在《IEEE Transactions on Human-Machine Systems》上发表了一项突破性研究，将原本用于沉浸式环境中的“双竞争注意力模型”引入外科场景，试图构建一个能够描述手术团队注意力动态的理论框架。该模型将注意力视为由内部目标驱动（如手术任务）和外部干扰（如噪音、突发状况）两股力量竞争的矢量过程，通过数学形式表达个体及团队在手术不同阶段的注意力分配状态。研究指出，该模型不仅能整合多模态生理数据（如EEG、HRV、眼动数据），还可为未来智能辅助系统的开发提供理论支撑，例如通过增强现实（AR）眼镜、骨传导耳机等设备实时干预注意力分散，提升手术团队的协同效率。

在研究过程中，作者并未开展新的实验，而是基于文献综述与临床观察，系统梳理了手术环境中注意力的三类分心来源：源于个体内部的压力与不确定性（如时间压力、病房职责）、来自团队外部的突发干扰（如设备报警、人员进出），以及团队内部互动引发的注意力分散（如沟通不畅或教学任务）。此外，研究还强调了分心发生的时序特性——手术中存在“关键阶段”与“常规阶段”的交替，而团队成员的注意力资源在不同阶段分布不均。疲劳被视为影响内生注意力的关键变量，其通过削弱认知控制力加剧分心敏感度。经验丰富的外科医生则因具备更强的预测能力（符合Friston的“自由能最小化”原则）和自动化技能，表现出更稳定的注意力矢量角度（低熵状态）和更高的任务权重分配。

关键方法方面，作者主要依托三类技术支撑模型构建：一是通过文献荟萃分析提取手术环境中分心事件的分类学特征；二是借鉴神经工效学中的多模态传感技术（如EEG、HRV、rPPG、眼动追踪）获取注意力相关生理标记；三是利用矢量建模方法将注意力分配量化为时间函数（v_a,i(t) = m_a,i(t)[cos(?_i(t)), sin(?_i(t))]^T），其中m_a,i(t)代表注意力强度，?_i(t)反映任务与分心之间的分配角度。团队整体注意力状态则通过矢量叠加（v_sum(t) = Σv_a,i(t)）计算。

研究结果部分通过模型推导与临床观察相结合，得出以下几方面结论：

一、分心来源的动态影响

模型将分心归类为内部（如术中对病房患者的担忧）、外部（如设备警报）和团队相关（如沟通效率低）三类，并指出不同类型分心对注意力矢量的影响机制不同。外部分心中的可预测刺激（如监护仪规律声响）易被过滤，而突发干扰（如传呼机响声）则会导致注意力矢量瞬间偏离手术任务轴。

二、疲劳与经验对注意力的调节作用

疲劳通过削弱内生注意力控制力，降低m_a,i(t)的强度并增大?_i(t)的波动幅度。相反，经验丰富的外科医生因具备“自动化技能”和更精准的情境预测能力，其?_i(t)熵值更低，且内生注意力权重（w_primT^endo(t)）更高，从而更易进入“心流状态”。

三、团队注意力协同机制

通过矢量叠加模型，团队整体注意力状态v_sum(t)可反映关键阶段是否具备足够的协同专注力。研究发现，团队成员间的“脑间同步”可能成为评估团队协作效能的新指标，但需通过超扫描技术进一步验证。

结论与讨论部分强调，双竞争模型为手术室注意力研究提供了可量化的理论框架，其核心意义在于：

1. 1.
   标准化价值：模型有望成为不同实验室之间研究结果的比较基准，弥补当前手术注意力研究缺乏统一 taxonomy 的空白；
2. 2.
   技术整合潜力：通过结合非侵入式传感技术（如远程光电容积描记术 rPPG、智能纺织品），模型可支撑实时神经工效学辅助系统的开发，例如在注意力偏离时触发AR提示或触觉反馈；
3. 3.
   跨领域推广：模型原理适用于其他高数字化场景（如工业4.0/5.0），为多模态人机协同环境中的注意力管理提供参考。
   然而，研究也指出当前仍面临生理标记信噪比不足、长时程监测可靠性低、以及智能辅助技术的社会接受度等挑战。未来需通过跨学科合作（如结合计算神经科学与人机交互研究）进一步验证模型在真实手术场景中的有效性，并推动其向临床实践转化。