PRZEWODNIK branżowy

AI w anestezjologii

Sztuczna inteligencja w anestezjologii oznacza wykorzystywanie algorytmów na podstawie danych z monitorowania sali operacyjnej do przewidywania problemów, takich jak niskie ciśnienie krwi, zanim one wystąpią, automatycznego dostosowywania podawania leków lub płynów oraz wspomagania prowadzenia procedur, takich jak blokady nerwów.

  • 3 minuty czytania
  • Ostatnia aktualizacja
Na tej stronie3 minuty czytania
  1. Przegląd
  2. Głębokie nurkowanie
  3. Wpływ strategiczny
  4. Przyszłość sztucznej inteligencji w anestezjologii
  5. Implementacja w świecie rzeczywistym
  6. Zagrożenia i poręcze
  7. Plan wdrożenia
  8. Odkrywaj dalej
  9. Często zadawane pytania

Przegląd

Ma to znaczenie, ponieważ anestezjolodzy śledzą wiele szybko zmieniających się sygnałów jednocześnie, a nawet krótkie okresy niskiego ciśnienia krwi podczas operacji mogą być powiązane z uszkodzeniem nerek i serca. Narzędzia te wspierają lekarzy, a nie ich zastępują.

Głębokie nurkowanie

Anestezjolodzy podczas operacji obserwują strumień liczb: ciśnienie krwi, tętno, nasycenie tlenem, wydychane gazy i często przetworzony sygnał mózgowy, taki jak wskaźnik bispektralny (BIS). Sztuczną inteligencję stosuje się w trzech głównych obszarach: przewidywaniu problemów, automatyzacji dostarczania leków i procedurach wspomagających. Najbardziej znanym narzędziem do przewidywania jest wskaźnik przewidywania niedociśnienia (Hypotension Prediction Index, HPI) firmy Edwards Lifesciences, który otrzymał pozwolenie na dopuszczenie do obrotu przez FDA w 2018 r. Analizuje kształt fali ciśnienia tętniczego i przyznaje punktację od 0 do 100, szacując prawdopodobieństwo, że średnie ciśnienie tętnicze spadnie poniżej 65 mmHg w ciągu najbliższych kilku minut. Niskie ciśnienie krwi podczas operacji wiąże się z ostrym uszkodzeniem nerek i serca, dlatego wcześniejsze ostrzeżenie może pozwolić lekarzowi na wcześniejsze podanie płynów lub leków wazopresyjnych. Małe, randomizowane badanie HYPE, opublikowane w JAMA w 2020 r., wykazało, że pacjenci, którzy stosowali opiekę HPI, rzadziej cierpieli na hipotensję. W późniejszych analizach kwestionowano to, ile HPI dodaje poza uważnym monitorowaniem aktualnego ciśnienia krwi, a większe badania dały mieszane wyniki, więc korzyści dla wyników pacjentów nie są przesądzone. Systemy z zamkniętą pętlą idą dalej i automatycznie dostosowują infuzje. W systemach badawczych miareczkowano propofol na podstawie odczytów BIS, a obecnie badane są systemy podawania płynów i wazopresory w obiegu zamkniętym. Komercyjny system Sedasys, zatwierdzony w USA w 2013 r. do stosowania w sedacji propofolem podczas endoskopii, został wycofany przez producenta w 2016 r. po słabej sprzedaży, co przypomina, że ​​zatwierdzenie przez organy regulacyjne nie gwarantuje jego przyjęcia. Sztuczna inteligencja pomaga również w znieczuleniu regionalnym. Oprogramowanie ultradźwiękowe, takie jak ScanNav, podkreśla na obrazie nerwy i otaczające struktury, aby pomóc lekarzom w identyfikacji anatomii. Głównym błędnym przekonaniem jest to, że systemy te same przeprowadzają znieczulenie. Są to osoby wspomagające podejmowanie decyzji lub wąskie kontrolery, a wykwalifikowany lekarz pozostaje za nie odpowiedzialny i musi być gotowy w każdej chwili je obejść.

Wpływ strategiczny

Kontekst i zasady

Kontekst branżowy decyduje o tym, czy pomysły AI przetrwają kontakt z rzeczywistością.

Kontrola jakości

Ograniczenia domeny wpływają na akceptowalne poziomy błędów i modele nadzoru.

Buduj wybory

Pomyślne wdrożenia łączą możliwości techniczne z przepływami pracy na pierwszej linii frontu.

Przyszłość sztucznej inteligencji w anestezjologii

Szpitale gromadzą więcej danych śródoperacyjnych o wysokiej rozdzielczości, co powinno pomóc w szkoleniu i testowaniu modeli predykcyjnych u różnych pacjentów. Kluczowym otwartym pytaniem jest, czy przewidywania i systemy zamkniętej pętli poprawiają wyniki, takie jak uszkodzenie nerek, powikłania sercowe i czas rekonwalescencji, a nie tylko monitorowanie liczb, a to wymaga dużych randomizowanych badań. Organy regulacyjne i stowarzyszenia zawodowe prawdopodobnie nadal będą wymagać nadzoru człowieka przy automatycznym dostarczaniu leków. Wdrożenie będzie również zależeć od integracji narzędzi z istniejącymi monitorami, zarządzania zmęczeniem alertami, kosztami i kwestiami odpowiedzialności, gdy klinicyści stosują się do porad algorytmu lub je ignorują.

Implementacja w świecie rzeczywistym

Podczas długiej operacji jamy brzusznej wskaźnik przewidywania hipotensji wzrasta do wysokiej wartości, co skłania anestezjologa do sprawdzenia stanu płynów i przygotowania leku wazopresyjnego, zanim ciśnienie krwi spadnie.

W warunkach badawczych sterownik w pętli zamkniętej reguluje wlew propofolu tak, aby utrzymać wskaźnik bispektralny pacjenta w docelowym zakresie, podczas gdy anestezjolog nadzoruje go i może go pominąć.

Anestezjolog umieszczający blokadę nerwów korzysta z oprogramowania ultradźwiękowego, które podświetla na ekranie nerwy, tętnice i warstwy mięśni, aby potwierdzić to, co widzi.

Szpital przegląda swoją dokumentację i zauważa, że ​​lekarze zaczęli reagować na rosnące wyniki przewidywań, nawet gdy obecne ciśnienie wyglądało dobrze, co wywołało dyskusję na temat ostrzegawczego zmęczenia i nadmiernego leczenia.

Zagrożenia i poręcze

  • Wymogi prawne mogą unieważnić mocne prototypy.

  • Dane historyczne mogą kodować uprzedzenia, które szkodzą konkretnym społecznościom.

  • Starsze systemy mogą powodować wąskie gardła w integracji i ukryte koszty.

Plan wdrożenia

  1. Zaangażuj ekspertów dziedzinowych od sformułowania problemu po ocenę.

  2. Zaprojektuj ścieżki audytu i dokumentację przed uruchomieniem.

  3. Wcześnie zweryfikuj wymogi dotyczące zgodności i bezpieczeństwa.

  4. Wdrażaj etapami z jasnymi kryteriami zatrzymania i wycofywania.

Odkrywaj dalej

Free newsletter

Get the daily AI briefing

Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.

One email each weekday. Unsubscribe in one click. We never sell or share your address.

Test yourself

Take the AI in Anesthesiology quiz

Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.

Rozpocznij quiz

Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation

Często zadawane pytania

Czym jest sztuczna inteligencja w anestezjologii?

Sztuczna inteligencja w anestezjologii oznacza wykorzystywanie algorytmów na podstawie danych z monitorowania sali operacyjnej do przewidywania problemów, takich jak niskie ciśnienie krwi, zanim one wystąpią, automatycznego dostosowywania podawania leków lub płynów oraz wspomagania prowadzenia procedur, takich jak blokady nerwów. Ma to znaczenie, ponieważ anestezjolodzy śledzą wiele szybko zmieniających się sygnałów jednocześnie, a nawet krótkie okresy niskiego ciśnienia krwi podczas operacji mogą być powiązane z uszkodzeniem nerek i serca. Narzędzia te wspierają lekarzy, a nie ich zastępują.

Co szacuje Wskaźnik Przewidywania Niedociśnienia?

HPI generuje w ciągu kilku minut ocenę od 0 do 100 dla prawdopodobieństwa wystąpienia niedociśnienia, zdefiniowanego jako MAP poniżej 65 mmHg.

Jakie dane analizuje HPI, aby dokonać prognozy?

Wydobywa cechy z wysokiej jakości fali ciśnienia tętniczego.

Co wykazało badanie HYPE opublikowane w 2020 r.?

Małe randomizowane badanie wykazało skrócenie czasu trwania niedociśnienia, chociaż korzyści w zakresie wyników leczenia pozostają niepewne.

Jaka jest kluczowa krytyka dokładności raportowanej przez HPI?

Ponieważ wynik ściśle odzwierciedla aktualny MAP, niektórzy analitycy twierdzą, że dodaje on mniej, niż się wydaje, poza uważną obserwacją presji.

Jaki sygnał jest powszechnie używany jako cel kontrolny w systemach badawczych propofolu w zamkniętej pętli?

Kontrolery dostosowują propofol tak, aby utrzymać BIS, przetworzony sygnał mózgowy, w docelowym zakresie.