Цифровая трансформация хирургии

Nov 13, 2023

npj Digital Medicine, том 6, Номер статьи: 103 (2023) Цитировать эту статью

402 доступа

6 Альтметрика

Подробности о метриках

Быстрый прогресс в области цифровых технологий и искусственного интеллекта в последние годы уже начал трансформировать многие отрасли и начинает продвигаться в здравоохранении. Новые цифровые технологии обладают огромным потенциалом для улучшения ухода за хирургическими пациентами. В этой статье мы освещаем работу, проделанную для улучшения хирургической помощи с использованием машинного обучения, компьютерного зрения, носимых устройств, удаленного мониторинга пациентов, а также виртуальной и дополненной реальности. Мы описываем способы использования этих технологий для улучшения хирургической практики, а также обсуждаем возможности и проблемы их широкого внедрения и использования в операционных и у постели больного.

Инновации в области цифровых технологий начали трансформировать медицинскую практику. От одобренных FDA систем искусственного интеллекта для эндоскопии1 до растущего использования носимых биосенсоров в клинических испытаниях2 — цифровые технологии уже применяются в различных областях медицины. Исторически сложилось так, что в области хирургии оправданно проявлялась относительно осторожная позиция при внедрении новых и потенциально разрушительных технологий, которые не были тщательно изучены, учитывая возможность прямого и немедленного вреда пациенту3; Опыт хирургии с цифровыми технологиями пока ничем не отличается. Однако, учитывая огромный потенциал новых цифровых технологий для улучшения хирургической помощи, мы считаем, что их внедрение в повседневную хирургическую практику неизбежно. Действительно, такие области, как гастроэнтерология и радиология, уже внедряют цифровые технологии в свою практику4,5. В этой специальной коллекции npj Digital Medicine мы освещаем работу, проделанную в нескольких областях цифровых технологий — машинное обучение, компьютерное зрение, носимые устройства, удаленный мониторинг пациентов, а также виртуальную и дополненную реальность — все из которых, по нашему мнению, готовы преобразовать хирургию в ближайшие годы. В этой статье мы описываем возможности и проблемы внедрения этих технологий.

Модели машинного обучения обладают потенциалом для изучения сложных, тонких взаимосвязей между огромным количеством клинических переменных, включая мультимодальные данные, способами, которые не могут сделать традиционные статистические калькуляторы рисков. Это преимущество вскоре может быть использовано для лучшего прогнозирования клинической траектории пациентов и помощи хирургам в принятии более персонализированных решений по уходу за пациентами.

В частности, системы поддержки принятия решений с поддержкой искусственного интеллекта могут прогнозировать результаты хирургических операций. Прогнозирование хирургического исхода важно для ухода за пациентами как до операции, при принятии решения о том, какие пациенты будут кандидатами на хирургическое вмешательство, так и после операции, при прогнозировании риска осложнений. Алгоритмы машинного обучения могут применяться к обоим аспектам, чтобы помочь прогнозировать результат. Мобильные приложения с такими алгоритмами были разработаны и опробованы во многих крупных академических учреждениях6,7,8,9.

Представленный в этой коллекции обзор моделей машинного обучения, основанных на клинических данных в сосудистой хирургии, показал, что некоторые модели работают лучше, чем существующие инструменты клинического прогнозирования, врачи и традиционные регрессионные модели10. Исследование также показывает, что по мере того, как инструменты машинного обучения все чаще применяются в сосудистой хирургии, производительность моделей продолжает улучшаться благодаря новым исследованиям. Эти результаты подчеркивают, что машинное обучение однажды может стать важным дополнением для анализа, диагностики и прогнозирования результатов в хирургии.

Компьютерное зрение — применение алгоритмов машинного обучения для анализа визуальных данных — обладает огромным потенциалом для оказания клинической помощи, где бы ни использовались изображения или видеоданные. В этом специальном сборнике мы фокусируемся главным образом на применении компьютерного зрения для анализа интраоперационных данных. Быстрый прогресс в области компьютерного зрения, включая растущее использование глубоких нейронных сетей, привел к разработке алгоритмов, которые могут точно идентифицировать клинически важные аспекты интраоперационных видеоданных11. Одним из наиболее интересных потенциальных применений интраоперационного компьютерного анализа зрения в реальном времени для обеспечения более безопасной хирургии является предоставление хирургам опыта дополненной реальности, который помогает им принимать интраоперационные решения12. Многие существующие опубликованные модели компьютерного зрения продемонстрировали способность оценивать сложность операции, помогать в принятии решений во время минимально инвазивных процедур, оценивать технические навыки хирургов автоматизированным и масштабируемым способом, обеспечивать интраоперационную обратную связь, оценивать динамику операционной команды и даже прогнозировать послеоперационные результаты, основанные на интраоперационных событиях13,14,15. В сочетании с этими технологиями виртуальную реальность можно использовать в качестве тренировочной площадки для оценки оперативных навыков и обучения16. Хотя внедрение этих инструментов в обычную хирургическую практику еще не стало реальностью, потенциальные варианты использования, несомненно, будут продолжать расти по мере продолжения исследований в этой области.