Моделирование машинного обучения для моделирования хирургического рабочего процесса
Интерес к повышению эффективности хирургии выходит за пределы операционного стола и переводится на до- и послеоперационный опыт; как для пациента, так и для хирургической команды. Частота осложнений в хирургии варьируется от 3 до 17 процентов . Одно исследование показало 119-процентное увеличение с 19 626 до 36 060 долларов в среднем на больничные расходы, связанные с пациентами, которые испытывали осложнения.
Контрольные списки были предложены в качестве стратегии, помогающей смягчить предотвращаемые ошибки, и теперь автоматизация также рассматривается как потенциальный инструмент для улучшения хирургического рабочего процесса. В целях улучшения обработки клинических отчетов группа исследователей разработала систему извлечения клинической информации, называемую IDEAL-X .
Ручной процесс часто занимает много времени и не обеспечивает автоматическую обратную связь с пользователями о том, как улучшить процесс. В адаптивной обучающей платформе IDEAL-X используется машинное обучение, чтобы понять, как пользователь создает отчеты и прогнозирует модели для повышения скорости и эффективности процесса. Ниже приведенное 4-минутное видео содержит демонстрацию того, как работает система IDEAL-X.
В исследовании исследователи сообщили, что система была «высокоэффективной» и достигла точности в 95 процентов по сравнению с двумя другими методами извлечения клинической информации. Исследователи заключают, что для управления системой не требуется никаких дополнительных навыков, она будет свободно доступна в Интернете и что она будет очень адаптирована для повышения ее эффективности. Эти факторы позиционируют его для клинического использования.
Заключительные мысли
Потенциальные применения машинного обучения в хирургическом поле разнообразны и охватывают множество точек по всему хирургическому спектру, включая обучение, операции и управление клиническими данными. Инновации, которые могут доказать свою ценность в долгосрочной перспективе, последовательно экономя время и деньги хирургов, будут наиболее успешными.
Например, система экстракции клинической информации IDEAL-X, основанная на механизме обучения, имеет потенциал для реализации раньше, чем другие приложения, рассмотренные в этой статье, из-за ее более низкой кривой обучения и полезности в различных медицинских специальностях.
Для сравнения, мы ожидаем, что автоматизированные роботы-шурусы пройдут обширный процесс тестирования, обзора и утверждения рынка, который может занять годы. Следует также учитывать затраты, связанные с учебными хирургами, как использовать роботов.
Нынешнее отсутствие данных затрудняет прогнозирование того, сколько времени потребуется, чтобы стать полностью компетентным в таких инструментах, как робот-шов. Фактически, некоторые отраслевые эксперты предположили, что это может занять до двух десятилетий, прежде чем мы увидим, что ИИ полностью интегрирован в хирургическое поле .
Среди проблем, которые следует учитывать, - это то, как ИИ будет работать в хирургической среде. Машинное обучение преуспевает в надежных, богатых данных и опирается на распознавание образов. Сложность операции часто создает гораздо менее однородную и совершенно непредсказуемую среду, что очень противоположно идеальной ситуации с ИИ.
Хирургические роботы никогда не могут иметь одинаковую степень повторяющейся обратной связи и постоянного широкомасштабного использования, как это видно из промышленной робототехники . Аналогичным образом, в отличие от хирургической робототехники, промышленные применения не всегда создают прямую угрозу для безопасности человека, и поэтому они могут позволить более открытую пробную ошибку (другое важное преимущество обучения для промышленного применения).
Таким образом, исследования, происходящие в пространстве роботов континуума, имеют особое значение для создания интеллектуальных, надежных и адаптируемых к непредсказуемой среде инструментов. Этот подход должен также информировать о том, какие данные выбираются для подготовки моделей ИИ.