La transformación digital de la cirugía

Nov 13, 2023

npj Digital Medicine volumen 6, Número de artículo: 103 (2023) Citar este artículo

402 Accesos

6 Altmetric

Detalles de métricas

Los rápidos avances en tecnología digital e inteligencia artificial en los últimos años ya han comenzado a transformar muchas industrias y están comenzando a avanzar en la atención médica. Existe un enorme potencial para que las nuevas tecnologías digitales mejoren la atención de los pacientes quirúrgicos. En este artículo, destacamos el trabajo que se está realizando para avanzar en la atención quirúrgica mediante el aprendizaje automático, la visión artificial, los dispositivos portátiles, la monitorización remota de pacientes y la realidad virtual y aumentada. Describimos las formas en que estas tecnologías se pueden usar para mejorar la práctica de la cirugía y analizamos las oportunidades y los desafíos para su adopción y uso generalizados en los quirófanos y al lado de la cama.

Las innovaciones en tecnología digital han comenzado a transformar la práctica de la medicina. Desde los sistemas de inteligencia artificial para endoscopia aprobados por la FDA1 hasta el uso creciente de biosensores portátiles en ensayos clínicos2, las tecnologías digitales ya se están aplicando en varios campos de la medicina. Históricamente, el campo de la cirugía ha sido justificadamente relativamente cauteloso con el despliegue de tecnologías nuevas y potencialmente disruptivas que no se han estudiado de manera exhaustiva, dada la posibilidad de daño directo e inmediato al paciente3; La experiencia de la cirugía con las tecnologías digitales hasta ahora no es diferente. Sin embargo, con el tremendo potencial de las nuevas tecnologías digitales para mejorar la atención quirúrgica, creemos que su incorporación a la práctica quirúrgica diaria es inevitable. De hecho, campos como la gastroenterología y la radiología ya están incorporando tecnologías digitales en su práctica4,5. En esta colección especial de Medicina digital de npj, destacamos el trabajo que se está realizando en varias áreas de la tecnología digital: aprendizaje automático, visión por computadora, dispositivos portátiles, monitoreo remoto de pacientes y realidad virtual y aumentada, todos los cuales creemos que están preparados para transformar la cirugía en los próximos años En este artículo, describimos oportunidades y desafíos para la adopción de estas tecnologías.

Los modelos de aprendizaje automático tienen el potencial de aprender relaciones complejas y matizadas entre una enorme cantidad de variables clínicas, incluidos datos multimodales, de una manera que las calculadoras de riesgo estadístico tradicionales no pueden. Es posible que pronto se aproveche esta ventaja para predecir mejor la trayectoria clínica de los pacientes y ayudar a los cirujanos a tomar decisiones de atención al paciente más personalizadas.

Específicamente, los sistemas de soporte de decisiones habilitados por IA tienen el potencial de predecir los resultados quirúrgicos. La predicción del resultado quirúrgico es importante para la atención del paciente tanto en el preoperatorio, para decidir qué pacientes serían candidatos para beneficiarse de la intervención quirúrgica, como en el posoperatorio, para predecir el riesgo de complicaciones. Los algoritmos de aprendizaje automático se pueden aplicar a ambos aspectos para ayudar a la predicción de resultados. Se han desarrollado y probado aplicaciones móviles con este tipo de algoritmos en múltiples instituciones académicas importantes6,7,8,9.

Destacado en esta colección, una revisión de modelos de aprendizaje automático que aprendieron de datos clínicos en cirugía vascular encontró que varios modelos funcionan mejor que las herramientas de predicción clínica existentes, los médicos y los modelos de regresión tradicionales10. El estudio también encuentra que a medida que las herramientas de aprendizaje automático se aplican cada vez más a la cirugía vascular, el rendimiento del modelo continúa mejorando con estudios más nuevos. Estos hallazgos enfatizan que el aprendizaje automático puede algún día servir como un aumento importante para el análisis, el diagnóstico y la predicción de resultados en cirugía.

La visión por computadora, la aplicación de algoritmos de aprendizaje automático para el análisis de datos visuales, tiene un enorme potencial para impactar la atención clínica dondequiera que se trate de imágenes o datos de video. En esta colección especial nos centramos principalmente en las aplicaciones de la visión artificial para el análisis de datos intraoperatorios. Los rápidos avances en el campo de la visión por computadora, incluido el uso cada vez mayor de redes neuronales profundas, han llevado al desarrollo de algoritmos que pueden identificar con precisión aspectos clínicamente importantes de los datos de video intraoperatorios11. Entre las aplicaciones potenciales más emocionantes del análisis de visión por computadora intraoperatorio en tiempo real para respaldar una cirugía más segura se encuentra proporcionar una experiencia de realidad aumentada para que los cirujanos ayuden en la toma de decisiones intraoperatorias12. Muchos modelos de visión por computadora publicados existentes han demostrado la capacidad de evaluar la complejidad quirúrgica, asistir en la toma de decisiones durante los procedimientos mínimamente invasivos, evaluar la habilidad técnica de los cirujanos de manera automatizada y escalable, brindar retroalimentación intraoperatoria, evaluar la dinámica del equipo de quirófano e incluso predecir resultados postoperatorios basados ​​en eventos intraoperatorios13,14,15. Cuando se combina con estas tecnologías, la realidad virtual se puede utilizar como un campo de entrenamiento para la evaluación y educación de habilidades operativas16. Si bien la incorporación de estas herramientas en la práctica quirúrgica habitual aún no es una realidad, los posibles casos de uso seguramente seguirán creciendo a medida que avance la investigación en este campo.

Los dispositivos portátiles y otras tecnologías personales que recopilan y transmiten señales fisiológicas y variables informadas por el paciente en tiempo real son otra tecnología importante con potencial para mejorar la cirugía. El uso de dispositivos portátiles para el monitoreo remoto de pacientes, que permite la evaluación de pacientes más allá de los encuentros tradicionales en persona con el sistema de atención médica, brinda una gran oportunidad para mejorar la atención posoperatoria al permitir la evaluación remota de heridas quirúrgicas, estado funcional, control del dolor y detectar precozmente el deterioro clínico. Hay evidencia emergente de que esta forma de captura de datos puede reducir potencialmente las tasas de complicaciones17. En nuestra colección, Mori et al. use una plataforma de salud digital para comprender mejor los matices de la recuperación posoperatoria en el hogar para pacientes de cirugía cardíaca, mucho más allá de los eventos clínicos capturados durante las visitas posoperatorias al servicio de urgencias o las visitas a la clínica18.

Además de comprender el curso posoperatorio en general, un trabajo reciente muestra el potencial de la monitorización remota del paciente para cambiar la forma en que se brinda la atención posoperatoria. Un ensayo de control aleatorizado encuentra que la vigilancia posoperatoria de la infección del sitio quirúrgico usando un teléfono inteligente es tan efectiva como la evaluación de seguimiento en persona19, lo que sugiere que el uso de dispositivos portátiles para el monitoreo remoto de heridas del paciente puede ser seguro, eficiente y reducir la utilización de los servicios de salud. . Otro estudio muestra que el uso de una cámara de video sin contacto para monitorear los signos vitales se puede usar para rastrear los primeros signos de deterioro fisiológico, para funcionar como un sistema de alerta temprana menos disruptivo y más eficiente20. Estas nuevas capacidades pueden permitir un eventual cambio en el núcleo de la atención posquirúrgica del hospital al hogar; algunos grandes centros médicos académicos ya han establecido programas exitosos de hospitales quirúrgicos domiciliarios habilitados con tecnología digital que permiten a los pacientes recuperarse de manera segura de la cirugía en su propio hogar21.

Si bien existen muchas tecnologías digitales emergentes que son muy prometedoras para la cirugía, también existen precauciones y consideraciones importantes para su uso.

Una preocupación importante es la equidad. Existen disparidades en los resultados quirúrgicos para pacientes de minorías raciales, así como un nivel socioeconómico más bajo que persisten hasta el día de hoy. Solo un ejemplo es la cirugía de columna, donde se ha estimado que el riesgo de complicaciones posoperatorias es hasta un 61 % mayor para los pacientes de raza negra22. Sin una evaluación crítica de las tecnologías digitales desde una perspectiva de equidad, estas disparidades pueden continuar perpetuándose. Halamka et al. resalte la importancia de utilizar las herramientas de detección de sesgo existentes para detectar irregularidades en conjuntos de datos y algoritmos antes de implementarlos en la práctica quirúrgica23.

Otra preocupación importante es la seguridad de la información. Los quirófanos están creciendo en términos de sofisticación tecnológica y el uso de dispositivos conectados. Los robots quirúrgicos, por ejemplo, ahora se utilizan ampliamente a un ritmo creciente en todo el mundo y dependen cada vez más de una conectividad constante para brindar información y soporte en tiempo real. Al mismo tiempo, el número de ciberataques a hospitales también se ha incrementado significativamente24. La rápida adopción de tecnologías conectadas sofisticadas en los quirófanos los hace especialmente susceptibles a los ataques dirigidos que pueden causar daño al paciente. Una contribución importante en esta colección de Gordon et al. explica cómo los sistemas de salud pueden mitigar los riesgos de los ataques de ciberseguridad en los quirófanos, incluida la minimización de la conectividad en tiempo real durante los procedimientos quirúrgicos a solo lo necesario, la colaboración con los proveedores en el desarrollo de medidas de seguridad y el establecimiento de procedimientos de tiempo de inactividad25.

Una tercera consideración importante es determinar cómo se regularán estas tecnologías para garantizar que sean seguras y eficaces. Un elemento único de las tecnologías habilitadas para IA es su capacidad de adaptarse con el tiempo a medida que se introducen nuevos datos. Esto puede causar cambios inesperados en el rendimiento y, en última instancia, una herramienta muy diferente de la que se aprobó originalmente. La Administración de Drogas y Alimentos de los Estados Unidos (FDA) está en proceso de determinar cómo regular mejor estas herramientas. Desarrollaron un marco regulatorio propuesto en 201926 y desde entonces lo han estado perfeccionando; más recientemente, en abril de 2023, presentaron un nuevo borrador de guía que recomienda el monitoreo continuo del producto durante todo el ciclo de vida del producto con datos del mundo real y permite pequeños ajustes en el rendimiento a lo largo del tiempo27.

Entre las barreras más importantes para la adopción generalizada de estas tecnologías en cirugía se encuentra la evidencia limitada de su impacto clínico28. Por ejemplo, pocos estudios han mostrado alguna mejora en la atención cuando se utilizan herramientas de apoyo a la toma de decisiones habilitadas por IA29. Algunas barreras importantes para el impacto clínico incluyen traducir los resultados del modelo ML en conocimientos clínicamente procesables e incorporarlos en los flujos de trabajo existentes y los procesos de toma de decisiones clínicas15,21,30. Además, estas nuevas tecnologías deben construirse y evaluarse rigurosamente de manera que sean reproducibles, transparentes e interpretables para los usuarios para ganar su confianza30,31. El acceso a conjuntos de datos más grandes y diversos puede ayudar a abordar algunos de estos problemas12.

El número de nuevas tecnologías digitales con el potencial de mejorar la atención quirúrgica está creciendo rápidamente. Hay muchos casos de uso y tecnologías que no se tratan en esta colección especial. Los modelos de IA generativa, como GPT-4 y DALL-E 2, recién comienzan a explorarse en la literatura de atención médica, pero sus tremendas habilidades han despertado un interés generalizado en la exploración de posibles casos de uso32,33. Como otro ejemplo, el uso de monitores de detección ambiental en los quirófanos puede ayudar a automatizar los procesos de control de calidad, prevenir errores médicos y mejorar la conciencia situacional perioperatoria general del equipo quirúrgico34.

La investigación en este campo debe centrarse en cerrar la brecha entre el rendimiento in silico y el beneficio clínico real de las nuevas tecnologías digitales. Esto implicará desarrollar la ciencia de implementación de estas herramientas, evaluarlas con evidencia del mundo real y continuar explorando nuevas aplicaciones35. Los sistemas de salud deberán comenzar a invertir en la experiencia y la infraestructura de TI necesarias para implementar y mantener estas herramientas36. El aumento de la cirugía con estas tecnologías digitales emergentes es necesario para avanzar hacia una atención al paciente más eficiente y eficaz.

Raza, MM, Venkatesh, KP, Diao, JA & Kvedar, JC Definiendo la cirugía digital para el futuro. NPJ Dígito Med. 5, 155 (2022).

Artículo PubMed PubMed Central Google Académico

Vijayan, V., Connolly, JP, Condell, J., McKelvey, N. y Gardiner, P. Revisión de dispositivos portátiles y consideraciones de recopilación de datos para la salud conectada. Sensores 21, 1–31 (2021).

Artículo Google Académico

Riskin, DJ, Longaker, MT, Gertner, M. & Krummel, TM Innovación en cirugía: una perspectiva histórica. Ana. Cirugía 244, 686–693 (2006).

Artículo PubMed PubMed Central Google Académico

Biffi, C. et al. Un novedoso dispositivo de IA para la caracterización óptica en tiempo real de pólipos colorrectales. npj medicina digital vol. 5 Preimpresión en https://doi.org/10.1038/s41746-022-00633-6 (2022).

Kim, H.-E. et al. Cambios en la detección de cáncer y recuperación de falsos positivos en mamografías usando inteligencia artificial: un estudio retrospectivo de múltiples lectores. Lancet Digit Health 2, e138–e148 (2020).

Artículo PubMed Google Académico

Maurer, LR et al. Predictor de resultados de trauma: una herramienta interactiva de inteligencia artificial para teléfonos inteligentes para predecir resultados en pacientes con trauma. J. Trauma Acute Care Surg. 91, 93–99 (2021).

Artículo PubMed Google Académico

Bertsimas, D., Dunn, J., Velmahos, GC & Kaafarani, HMA El riesgo quirúrgico no es lineal: derivación y validación de árboles predictivos óptimos novedosos, fáciles de usar y basados ​​en el aprendizaje automático en el riesgo de cirugía de emergencia (POTTER) calculadora. Ana. Cirugía 268, 574–583 (2018).

Artículo PubMed Google Académico

Corey, KM et al. Desarrollo y validación de modelos de aprendizaje automático para identificar pacientes quirúrgicos de alto riesgo utilizando datos de registros de salud electrónicos seleccionados automáticamente (Pythia): un estudio retrospectivo de un solo sitio. PLoS Med. 15, e1002701 (2018).

Artículo PubMed PubMed Central Google Académico

Ren, Y. et al. Rendimiento de un algoritmo de aprendizaje automático que utiliza datos de registros de salud electrónicos para predecir complicaciones postoperatorias e informar en una plataforma móvil. Red JAMA Abierta vol. 5 e2211973 Versión preliminar en https://doi.org/10.1001/jamanetworkopen.2022.11973 (2022).

Li, B. et al. Aprendizaje automático en cirugía vascular: una revisión sistemática y una evaluación crítica. NPJ Dígito Med. 5, 7 (2022).

Artículo PubMed PubMed Central Google Académico

Ward, TM et al. Visión artificial en cirugía. Cirugía 169, 1253–1256 (2021).

Artículo PubMed Google Académico

Colborn, K., Brat, G. & Callcut, R. Análisis predictivo e inteligencia artificial en cirugía: oportunidades y riesgos. Cirugía JAMA. https://doi.org/10.1001/jamasurg.2022.5444 (2022).

Mascagni, P. et al. Visión artificial en cirugía: del potencial al valor clínico. NPJ Dígito Med. 5, 163 (2022).

Artículo PubMed PubMed Central Google Académico

Lam, K. et al. Aprendizaje automático para la evaluación de habilidades técnicas en cirugía: una revisión sistemática. Dígito NPJ. Medicina. 5, 24 (2022).

Artículo PubMed PubMed Central Google Académico

Ma, R. et al. Gestos quirúrgicos como método para cuantificar el rendimiento quirúrgico y predecir los resultados del paciente. NPJ Dígito Med. 5, 187 (2022).

Artículo PubMed PubMed Central Google Académico

Yilmaz, R. et al. Monitoreo continuo de la experiencia bimanual quirúrgica utilizando redes neuronales profundas en simulación de realidad virtual. npj medicina digital vol. 5 Preimpresión en https://doi.org/10.1038/s41746-022-00596-8 (2022).

Caballero, SR et al. Dispositivos móviles y tecnología portátil para medir los resultados de los pacientes después de la cirugía: una revisión sistemática. NPJ Dígito Med. 4, 157 (2021).

Artículo PubMed PubMed Central Google Académico

Mori, M., Dhruva, SS, Geirsson, A. & Krumholz, HM Caracterización de trayectorias de recuperación postoperatoria multidominio después de cirugía cardíaca utilizando una plataforma digital. npj Digital Med. 5, 1–8 (2022).

Artículo Google Académico

McLean, KA et al. Diagnóstico remoto de infección del sitio quirúrgico mediante una intervención digital móvil: un ensayo controlado aleatorio en pacientes de cirugía de emergencia. NPJ Dígito Med. 4, 160 (2021).

Artículo PubMed PubMed Central Google Académico

Jorge, J. et al. Monitoreo fisiológico sin contacto de pacientes postoperados en la unidad de cuidados intensivos. NPJ Dígito Med. 5, 4 (2022).

Artículo PubMed PubMed Central Google Académico

Pathak, K., Marwaha, JS & Tsai, TC El papel de la tecnología digital en los programas de hospitales quirúrgicos domiciliarios. npj Digital Med. 6, 1–6 (2023).

Artículo Google Académico

Sanford, Z. et al. Disparidades raciales en los resultados quirúrgicos después de la cirugía de columna: un análisis ACS-NSQIP. Columna vertebral global J. 9, 583–590 (2019).

Artículo PubMed Google Académico

Halamka, J., Bydon, M., Cerrato, P. y Bhagra, A. Abordar las disparidades raciales en la atención quirúrgica con el aprendizaje automático. NPJ Dígito Med. 5, 152 (2022).

Artículo PubMed PubMed Central Google Académico

Niki, O. 'brien, Saira, G., Arvind, S. & Mike, D. Los ataques cibernéticos son una amenaza permanente y sustancial para los sistemas de salud: la educación debe reflejar eso. Salud de dígitos 8, 20552076221104665 (2022).

PubMed PubMed Central Google Académico

Gordon, WJ, Ikoma, N., Lyu, H., Jackson, GP y Landman, A. Protección de la atención procesal: consideraciones de ciberseguridad para la cirugía robótica. npj Dig. Medicina. 5, 1–3 (2022).

Google Académico

FDA de EE. UU. Marco normativo propuesto para las modificaciones del software basado en inteligencia artificial/aprendizaje automático (AI/ML) como dispositivo médico (SaMD): documento de debate y solicitud de comentarios. https://www.fda.gov/files/medical%20devices/published/US-FDA-Artificial-Intelligence-and-Machine-Learning-Discussion-Paper.pdf (2019).

Centro de Dispositivos y Salud Radiológica. Recomendaciones de envío de marketing para un plan de control de cambios predeterminado para funciones de software de dispositivo habilitadas para inteligencia artificial/aprendizaje automático (AI/ML). Administración de Drogas y Alimentos de EE. UU. https://www.fda.gov/regulatory-information/search-fda-guidance-documents/marketing-submission-recommendations-predetermined-change-control-plan-artificial.

Loftus, TJ y col. Soporte de decisiones en cirugía habilitado por inteligencia artificial: estado del arte y direcciones futuras. Ana. Cirugía https://doi.org/10.1097/SLA.0000000000005853.

Zhou, Q., Chen, Z.-H., Cao, Y.-H. & Peng, S. Impacto clínico y calidad de los ensayos controlados aleatorios que involucran intervenciones que evalúan herramientas de predicción de inteligencia artificial: una revisión sistemática. npj Medicina digital 4, 1–12 (2021).

Artículo Google Académico

Lee, CK, Samad, M., Hofer, I., Cannesson, M. & Baldi, P. Desarrollo y validación de una red neuronal interpretable para la predicción de la mortalidad hospitalaria posoperatoria. NPJ Dígito Med. 4, 8 (2021).

Artículo PubMed PubMed Central Google Académico

Marwaha, JS et al. Valoración de la calidad del desarrollo y reporte en modelos de predicción quirúrgica. Cirugía JAMA. https://doi.org/10.1001/jamasurg.2022.4488 (2022).

Artículo PubMed Google Académico

Sarraju, A. et al. Idoneidad de las recomendaciones para la prevención de enfermedades cardiovasculares obtenidas de un popular modelo de inteligencia artificial basado en chat en línea. JAMA https://doi.org/10.1001/jama.2023.1044 (2023).

ChatGPT: ¿Transformará el mundo de la atención médica? (2023).

Haque, A., Milstein, A. & Fei-Fei, L. Iluminando los espacios oscuros del cuidado de la salud con inteligencia ambiental. Naturaleza 585, 193–202 (2020).

Artículo CAS PubMed Google Académico

Marwaha, JS & Kvedar, JC Cruzando el abismo del rendimiento del modelo al impacto clínico: la necesidad de mejorar la implementación y evaluación de la IA. npj Digital Med. 5, 1–2 (2022).

Artículo Google Académico

Marwaha, JS, Landman, AB, Brat, GA, Dunn, T. & Gordon, WJ Implementación de herramientas de salud digitales dentro de sistemas de salud grandes y complejos: consideraciones clave para su adopción e implementación. NPJ Digital Med. 5, 13 (2022).

Artículo Google Académico

Descargar referencias

JSM cuenta con el apoyo de una subvención de la Biblioteca Nacional de Medicina/Institutos Nacionales de Salud (T15LM007092-30) y el Programa de Capacitación en Investigación en Informática Biomédica y Ciencia de Datos (BIRT) de la Universidad de Harvard.

Centro Médico Beth Israel Deaconess, Boston, MA, EE. UU.

Jayson S. Marwaha

Facultad de Medicina de Harvard, Boston, MA, EE. UU.

Jayson S. Marwaha, Marium M. Raza y Joseph C. Kvedar

Misa General Brigham, Boston, MA, EE. UU.

José C. Kvedar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

El borrador inicial fue escrito por JSM y MMR; editado por JCK Todos los autores aprobaron el borrador final.

Correspondencia a Jayson S. Marwaha.

JCK es editor en jefe de NPJ Digital Medicine. JSM y MMR no tienen intereses contrapuestos que declarar.

Esta presentación está escrita por los editores invitados de la colección especial "Tecnologías digitales emergentes en cirugía" y tiene como objetivo presentar la colección.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Marwaha, JS, Raza, MM & Kvedar, JC La transformación digital de la cirugía. npj Dígito. Medicina. 6, 103 (2023). https://doi.org/10.1038/s41746-023-00846-3

Descargar cita

Recibido: 25 febrero 2023

Aceptado: 15 de mayo de 2023

Publicado: 31 mayo 2023

DOI: https://doi.org/10.1038/s41746-023-00846-3

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt