La transformation numérique de la chirurgie

Nov 13, 2023

npj Digital Medicine volume 6, Numéro d'article : 103 (2023) Citer cet article

402 accès

6 Altmétrique

Détails des métriques

Les progrès rapides de la technologie numérique et de l'intelligence artificielle au cours des dernières années ont déjà commencé à transformer de nombreuses industries et commencent à faire des progrès dans les soins de santé. Les nouvelles technologies numériques offrent un énorme potentiel pour améliorer les soins aux patients chirurgicaux. Dans cet article, nous mettons en évidence les travaux en cours pour faire progresser les soins chirurgicaux à l'aide de l'apprentissage automatique, de la vision par ordinateur, des appareils portables, de la surveillance à distance des patients et de la réalité virtuelle et augmentée. Nous décrivons comment ces technologies peuvent être utilisées pour améliorer la pratique de la chirurgie et discutons des opportunités et des défis liés à leur adoption et à leur utilisation généralisées dans les salles d'opération et au chevet du patient.

Les innovations dans la technologie numérique ont commencé à transformer la pratique de la médecine. Des systèmes d'intelligence artificielle approuvés par la FDA pour l'endoscopie1 à l'utilisation croissante de biocapteurs portables dans les essais cliniques2, les technologies numériques sont déjà appliquées dans divers domaines de la médecine. Historiquement, le domaine de la chirurgie a été à juste titre relativement prudent avec le déploiement de technologies nouvelles et potentiellement perturbatrices qui n'ont pas été étudiées de manière approfondie, compte tenu de la possibilité de préjudice direct et immédiat pour le patient3 ; l'expérience de la chirurgie avec les technologies numériques jusqu'à présent n'est pas différente. Cependant, avec l'énorme potentiel des nouvelles technologies numériques pour améliorer les soins chirurgicaux, nous pensons que leur intégration dans la pratique chirurgicale quotidienne est inévitable. En effet, des domaines tels que la gastro-entérologie et la radiologie intègrent déjà les technologies numériques dans leur pratique4,5. Dans cette collection spéciale npj Digital Medicine, nous mettons en lumière les travaux en cours dans plusieurs domaines de la technologie numérique - apprentissage automatique, vision par ordinateur, appareils portables, surveillance des patients à distance et réalité virtuelle et augmentée - qui, selon nous, sont sur le point de transformer la chirurgie dans les années à venir. Dans cet article, nous décrivons les opportunités et les défis liés à l'adoption de ces technologies.

Les modèles d'apprentissage automatique ont le potentiel d'apprendre des relations complexes et nuancées entre un nombre énorme de variables cliniques, y compris des données multimodales, d'une manière que les calculateurs de risque statistiques traditionnels ne peuvent pas. Cet avantage pourrait bientôt être exploité pour mieux prédire la trajectoire clinique des patients et aider les chirurgiens à prendre des décisions plus personnalisées en matière de soins aux patients.

Plus précisément, les systèmes d'aide à la décision activés par l'IA ont le potentiel de prédire les résultats chirurgicaux. La prédiction des résultats chirurgicaux est importante pour les soins aux patients à la fois en préopératoire, pour décider quels patients pourraient bénéficier d'une intervention chirurgicale, ainsi qu'en postopératoire, pour prédire le risque de complications. Les algorithmes d'apprentissage automatique peuvent être appliqués aux deux aspects pour aider à la prédiction des résultats. Des applications mobiles avec ces types d'algorithmes ont été développées et testées dans plusieurs grandes institutions académiques6,7,8,9.

Mis en évidence dans cette collection, un examen des modèles d'apprentissage automatique qui ont appris des données cliniques en chirurgie vasculaire a révélé que plusieurs modèles fonctionnent mieux que les outils de prédiction clinique existants, les cliniciens et les modèles de régression traditionnels10. L'étude révèle en outre qu'à mesure que les outils d'apprentissage automatique sont de plus en plus appliqués à la chirurgie vasculaire, les performances des modèles continuent de s'améliorer avec de nouvelles études. Ces résultats soulignent que l'apprentissage automatique pourrait un jour servir d'augmentation importante pour l'analyse, le diagnostic et la prédiction des résultats en chirurgie.

La vision par ordinateur - l'application d'algorithmes d'apprentissage automatique pour l'analyse de données visuelles - recèle un potentiel énorme pour avoir un impact sur les soins cliniques partout où des images ou des données vidéo sont impliquées. Dans cette collection spéciale, nous nous concentrons principalement sur les applications de la vision par ordinateur pour l'analyse des données peropératoires. Les progrès rapides dans le domaine de la vision par ordinateur, y compris l'utilisation croissante des réseaux de neurones profonds, ont conduit au développement d'algorithmes capables d'identifier avec précision les aspects cliniquement importants des données vidéo peropératoires11. L'une des applications potentielles les plus intéressantes de l'analyse de la vision par ordinateur peropératoire en temps réel pour soutenir une chirurgie plus sûre est de fournir une expérience de réalité augmentée aux chirurgiens pour aider à la prise de décision peropératoire12. De nombreux modèles de vision par ordinateur publiés existants ont démontré leur capacité à évaluer la complexité opératoire, à aider à la prise de décision lors d'interventions peu invasives, à évaluer les compétences techniques des chirurgiens de manière automatisée et évolutive, à fournir une rétroaction peropératoire, à évaluer la dynamique de l'équipe de bloc opératoire et même à prédire les résultats postopératoires en fonction des événements peropératoires13,14,15. Combinée à ces technologies, la réalité virtuelle peut être utilisée comme terrain d'entraînement pour l'évaluation et l'éducation des compétences opérationnelles16. Bien que l'intégration de ces outils dans la pratique chirurgicale régulière ne soit pas encore une réalité, les cas d'utilisation potentiels continueront sûrement de croître à mesure que la recherche dans ce domaine se poursuivra.

Les dispositifs portables et autres technologies personnelles qui collectent et transmettent en temps réel les signaux physiologiques et les variables signalées par les patients sont une autre technologie importante susceptible d'améliorer la chirurgie. L'utilisation d'appareils portables pour la surveillance à distance des patients, qui permet l'évaluation des patients au-delà des rencontres traditionnelles en personne avec le système de santé, offre une grande opportunité pour l'amélioration des soins postopératoires en permettant l'évaluation à distance des plaies chirurgicales, l'état fonctionnel, le contrôle de la douleur et la détection précoce de la détérioration clinique. Il existe de nouvelles preuves que cette forme de saisie de données peut potentiellement réduire les taux de complications17. Dans notre collection, Mori et al. utiliser une plateforme de santé numérique pour mieux comprendre les nuances de la récupération postopératoire à domicile pour les patients en chirurgie cardiaque, bien au-delà des seuls événements cliniques capturés lors des visites postopératoires aux urgences ou à la clinique18.

En plus de comprendre l'évolution postopératoire dans son ensemble, des travaux récents montrent le potentiel de la surveillance à distance des patients en modifiant la façon dont les soins postopératoires sont dispensés. Un essai contrôlé randomisé a révélé que la surveillance postopératoire de l'infection du site opératoire à l'aide d'un smartphone est tout aussi efficace que l'évaluation de suivi en personne19, ce qui suggère que l'utilisation d'appareils portables pour la surveillance à distance des plaies des patients peut être sûre, efficace et réduire l'utilisation des services de santé. Une autre étude montre que l'utilisation d'une caméra vidéo sans contact pour surveiller les signes vitaux peut être utilisée pour suivre les premiers signes de détérioration physiologique, pour fonctionner comme un système d'alerte précoce moins perturbateur et plus efficace20. Ces nouvelles capacités peuvent permettre un déplacement éventuel du noyau des soins post-chirurgicaux de l'hôpital vers le domicile ; certains grands centres médicaux universitaires ont déjà mis en place avec succès des programmes d'hôpitaux chirurgicaux à domicile dotés de la technologie numérique qui permettent aux patients de se rétablir en toute sécurité après une intervention chirurgicale chez eux21.

Bien qu'il existe de nombreuses technologies numériques émergentes très prometteuses pour la chirurgie, il existe également des précautions et des considérations importantes concernant leur utilisation.

Une préoccupation importante est l'équité. Il existe des disparités dans les résultats chirurgicaux pour les patients des minorités raciales ainsi qu'un statut socio-économique inférieur qui persistent jusqu'à aujourd'hui. Un seul exemple concerne la chirurgie de la colonne vertébrale, où le risque de complications postopératoires a été estimé jusqu'à 61 % plus élevé pour les patients noirs22. Sans une évaluation critique des technologies numériques du point de vue de l'équité, ces disparités pourraient continuer à se perpétuer. Halamka et al. soulignent l'importance d'utiliser les outils de détection de biais existants pour détecter les irrégularités dans les ensembles de données et les algorithmes avant de les déployer dans la pratique chirurgicale23.

Une autre préoccupation importante est la sécurité de l'information. Les salles d'opération se développent en termes de sophistication technologique et d'utilisation d'objets connectés. Les robots chirurgicaux, par exemple, sont désormais largement utilisés à des taux croissants dans le monde et dépendent de plus en plus d'une connectivité constante pour fournir des informations et une assistance en temps réel. Dans le même temps, le nombre de cyberattaques contre les hôpitaux a également augmenté de manière significative24. L'adoption rapide de technologies connectées sophistiquées dans les salles d'opération les rend particulièrement vulnérables aux attaques ciblées susceptibles de nuire aux patients. Une contribution importante dans cette collection par Gordon et al. explique comment les systèmes de santé peuvent atténuer les risques d'attaques de cybersécurité dans les salles d'opération, notamment en minimisant la connectivité en temps réel pendant les interventions chirurgicales à ce qui est nécessaire, en collaborant avec les fournisseurs pour développer des mesures de sécurité et en établissant des procédures de temps d'arrêt25.

Une troisième considération importante consiste à déterminer comment ces technologies seront réglementées pour s'assurer qu'elles sont sûres et efficaces. Un élément unique des technologies basées sur l'IA est leur capacité à s'adapter au fil du temps à mesure qu'elles sont introduites dans de nouvelles données. Cela peut entraîner des changements de performances imprévus et, en fin de compte, un outil très différent de celui qui a été initialement approuvé. La Food and Drug Administration (FDA) des États-Unis est en train de déterminer la meilleure façon de réglementer ces outils. Ils ont élaboré une proposition de cadre réglementaire en 201926 et l'ont depuis affiné ; plus récemment, en avril 2023, ils ont présenté un nouveau projet de directives qui recommande une surveillance continue du produit tout au long de son cycle de vie avec des données réelles et permet de petits ajustements des performances au fil du temps27.

Parmi les obstacles les plus importants à l'adoption généralisée de ces technologies en chirurgie figure le peu de preuves de leur impact clinique28. Par exemple, peu d'études ont montré une amélioration des soins lorsque des outils d'aide à la décision basés sur l'IA sont utilisés29. Certains obstacles importants à l'impact clinique comprennent la traduction des résultats du modèle ML en informations cliniquement exploitables et leur intégration dans les flux de travail existants et les processus de prise de décision clinique15,21,30. De plus, ces nouvelles technologies doivent être construites et rigoureusement évaluées de manière reproductible, transparente et interprétable par les utilisateurs pour gagner leur confiance30,31. L'accès à des ensembles de données plus vastes et plus diversifiés peut aider à résoudre certains de ces problèmes12.

Le nombre de nouvelles technologies numériques susceptibles d'améliorer les soins chirurgicaux augmente rapidement. De nombreux cas d'utilisation et technologies ne sont pas couverts dans cette collection spéciale. Les modèles d'IA générative, tels que GPT-4 et DALL-E 2, commencent tout juste à être explorés dans la littérature sur les soins de santé, mais leurs formidables capacités ont suscité un intérêt généralisé pour l'exploration de cas d'utilisation potentiels32,33. Comme autre exemple, l'utilisation de moniteurs à détection ambiante dans les salles d'opération peut aider à automatiser les processus de contrôle de la qualité, à prévenir les erreurs médicales et à améliorer la conscience globale de la situation périopératoire d'une équipe chirurgicale34.

La recherche dans ce domaine devrait viser à combler le fossé entre les performances in silico et les avantages cliniques réels des nouvelles technologies numériques. Cela impliquera de développer la science de la mise en œuvre de ces outils, de les évaluer avec des preuves du monde réel et de continuer à explorer de nouvelles applications35. Les systèmes de santé devront commencer à investir dans l'expertise et l'infrastructure informatique nécessaires pour déployer et maintenir ces outils36. L'augmentation de la chirurgie avec ces technologies numériques émergentes est nécessaire pour progresser vers des soins aux patients plus efficaces et efficients.

Raza, MM, Venkatesh, KP, Diao, JA & Kvedar, JC Définir la chirurgie numérique pour l'avenir. Chiffre NPJ Méd. 5, 155 (2022).

Article PubMed PubMed Central Google Scholar

Vijayan, V., Connolly, JP, Condell, J., McKelvey, N. et Gardiner, P. Examen des appareils portables et considérations sur la collecte de données pour la santé connectée. Capteurs 21, 1–31 (2021).

Article Google Scholar

Riskin, DJ, Longaker, MT, Gertner, M. & Krummel, TM Innovation en chirurgie : une perspective historique. Anne. Surg. 244, 686–693 (2006).

Article PubMed PubMed Central Google Scholar

Biffi, C. et al. Un nouveau dispositif d'IA pour la caractérisation optique en temps réel des polypes colorectaux. npj Médecine numérique vol. 5 Préimpression sur https://doi.org/10.1038/s41746-022-00633-6 (2022).

Kim, H.-E. et coll. Changements dans la détection du cancer et le rappel des faux positifs en mammographie à l'aide de l'intelligence artificielle : une étude rétrospective multilecteur. Lancet Digit Health 2, e138–e148 (2020).

Article PubMed Google Scholar

Maurer, LR et al. Prédicteur des résultats des traumatismes : un outil interactif d'intelligence artificielle pour smartphone permettant de prédire les résultats chez les patients traumatisés. J. Chirurgie de soins aigus en traumatologie. 91, 93–99 (2021).

Article PubMed Google Scholar

Bertsimas, D., Dunn, J., Velmahos, GC & Kaafarani, HMA Le risque chirurgical n'est pas linéaire : dérivation et validation d'un nouveau calculateur d'arbres optimaux prédictifs, convivial et basé sur l'apprentissage automatique, dans le calculateur de risque de chirurgie d'urgence (POTTER). Anne. Surg. 268, 574-583 (2018).

Article PubMed Google Scholar

Corey, KM et al. Développement et validation de modèles d'apprentissage automatique pour identifier les patients chirurgicaux à haut risque à l'aide de données de dossiers de santé électroniques automatiquement conservées (Pythia) : une étude rétrospective sur un seul site. PLoS Med. 15, e1002701 (2018).

Article PubMed PubMed Central Google Scholar

Ren, Y. et al. Performance d'un algorithme d'apprentissage automatique utilisant les données du dossier de santé électronique pour prédire les complications postopératoires et en faire rapport sur une plateforme mobile. JAMA Network Open vol. 5 e2211973 Préimpression sur https://doi.org/10.1001/jamanetworkopen.2022.11973 (2022).

Li, B. et al. Apprentissage automatique en chirurgie vasculaire : une revue systématique et une évaluation critique. Chiffre NPJ Méd. 5, 7 (2022).

Article PubMed PubMed Central Google Scholar

Ward, TM et al. Vision par ordinateur en chirurgie. Chirurgie 169, 1253–1256 (2021).

Article PubMed Google Scholar

Colborn, K., Brat, G. & Callcut, R. Analyse prédictive et intelligence artificielle en chirurgie - Opportunités et risques. JAMA Surg. https://doi.org/10.1001/jamasurg.2022.5444 (2022).

Mascagni, P. et al. Vision par ordinateur en chirurgie : du potentiel à la valeur clinique. Chiffre NPJ Méd. 5, 163 (2022).

Article PubMed PubMed Central Google Scholar

Lam, K. et al. Apprentissage automatique pour l'évaluation des compétences techniques en chirurgie : une revue systématique. Chiffre NPJ. Méd. 5, 24 (2022).

Article PubMed PubMed Central Google Scholar

Ma, R. et al. Gestes chirurgicaux comme méthode pour quantifier les performances chirurgicales et prédire les résultats des patients. Chiffre NPJ Méd. 5, 187 (2022).

Article PubMed PubMed Central Google Scholar

Yilmaz, R. et al. Surveillance continue de l'expertise chirurgicale bimanuelle à l'aide de réseaux de neurones profonds en simulation de réalité virtuelle. npj Médecine numérique vol. 5 Préimpression sur https://doi.org/10.1038/s41746-022-00596-8 (2022).

Knight, SR et al. Appareils mobiles et technologie portable pour mesurer les résultats des patients après une chirurgie : une revue systématique. Chiffre NPJ Méd. 4, 157 (2021).

Article PubMed PubMed Central Google Scholar

Mori, M., Dhruva, SS, Geirsson, A. & Krumholz, HM Caractérisation des trajectoires de récupération postopératoire multi-domaines après une chirurgie cardiaque à l'aide d'une plateforme numérique. npj Digital Med. 5, 1–8 (2022).

Article Google Scholar

McLean, KA et al. Diagnostic à distance de l'infection du site opératoire à l'aide d'une intervention numérique mobile : un essai contrôlé randomisé chez des patients en chirurgie d'urgence. Chiffre NPJ Méd. 4, 160 (2021).

Article PubMed PubMed Central Google Scholar

Jorge, J. et al. Suivi physiologique sans contact des patients post-opératoires en réanimation. Chiffre NPJ Méd. 5, 4 (2022).

Article PubMed PubMed Central Google Scholar

Pathak, K., Marwaha, JS & Tsai, TC Le rôle de la technologie numérique dans les programmes hospitaliers chirurgicaux à domicile. npj Digital Med. 6, 1–6 (2023).

Article Google Scholar

Sanford, Z. et al. Disparités raciales dans les résultats chirurgicaux après une chirurgie de la colonne vertébrale : une analyse ACS-NSQIP. Global Spine J. 9, 583–590 (2019).

Article PubMed Google Scholar

Halamka, J., Bydon, M., Cerrato, P. & Bhagra, A. Aborder les disparités raciales dans les soins chirurgicaux avec l'apprentissage automatique. Chiffre NPJ Méd. 5, 152 (2022).

Article PubMed PubMed Central Google Scholar

Niki, O. 'brien, Saira, G., Arvind, S. & Mike, D. Les cyberattaques sont une menace permanente et importante pour les systèmes de santé : l'éducation doit en tenir compte. Digit Health 8, 20552076221104665 (2022).

PubMed PubMed Central Google Scholar

Gordon, WJ, Ikoma, N., Lyu, H., Jackson, GP et Landman, A. Protéger les soins procéduraux - considérations de cybersécurité pour la chirurgie robotique. npj Creusez. Méd. 5, 1–3 (2022).

Google Scholar

FDA des États-Unis. Cadre réglementaire proposé pour les modifications apportées aux logiciels basés sur l'intelligence artificielle/l'apprentissage automatique (AI/ML) en tant que dispositif médical (SaMD) - Document de travail et demande de commentaires. https://www.fda.gov/files/medical%20devices/published/US-FDA-Artificial-Intelligence-and-Machine-Learning-Discussion-Paper.pdf (2019).

Centre des appareils et de la santé radiologique. Recommandations de soumission marketing pour un plan de contrôle des modifications prédéterminé pour les fonctions logicielles d'appareils compatibles avec l'intelligence artificielle/l'apprentissage automatique (IA/ML). Food and Drug Administration des États-Unis https://www.fda.gov/regulatory-information/search-fda-guidance-documents/marketing-submission-recommendations-predetermined-change-control-plan-artificial.

Loftus, TJ et al. Aide à la décision basée sur l'intelligence artificielle en chirurgie : état de l'art et orientations futures. Anne. Surg. https://doi.org/10.1097/SLA.0000000000005853.

Zhou, Q., Chen, Z.-H., Cao, Y.-H. & Peng, S. Impact clinique et qualité des essais contrôlés randomisés impliquant des interventions évaluant les outils de prédiction de l'intelligence artificielle : une revue systématique. npj Médecine numérique 4, 1–12 (2021).

Article Google Scholar

Lee, CK, Samad, M., Hofer, I., Cannesson, M. & Baldi, P. Développement et validation d'un réseau neuronal interprétable pour la prédiction de la mortalité hospitalière postopératoire. Chiffre NPJ Méd. 4, 8 (2021).

Article PubMed PubMed Central Google Scholar

Marwaha, JS et al. Évaluer la qualité du développement et des rapports dans les modèles de prédiction chirurgicale. JAMA Surg. https://doi.org/10.1001/jamasurg.2022.4488 (2022).

Article PubMed Google Scholar

Sarraju, A. et al. Pertinence des recommandations de prévention des maladies cardiovasculaires obtenues à partir d'un modèle populaire d'intelligence artificielle basé sur le chat en ligne. JAMA https://doi.org/10.1001/jama.2023.1044 (2023).

ChatGPT : va-t-il transformer le monde des soins de santé ? (2023).

Haque, A., Milstein, A. & Fei-Fei, L. Éclairer les espaces sombres des soins de santé avec l'intelligence ambiante. Nature 585, 193-202 (2020).

Article CAS PubMed Google Scholar

Marwaha, JS & Kvedar, JC Traverser l'abîme entre la performance du modèle et l'impact clinique : la nécessité d'améliorer la mise en œuvre et l'évaluation de l'IA. npj Digital Med. 5, 1–2 (2022).

Article Google Scholar

Marwaha, JS, Landman, AB, Brat, GA, Dunn, T. & Gordon, WJ Déploiement d'outils de santé numériques au sein de grands systèmes de santé complexes : considérations clés pour l'adoption et la mise en œuvre. NPJ Digital Med. 5, 13 (2022).

Article Google Scholar

Télécharger les références

JSM est soutenu par une subvention de la National Library of Medicine/National Institutes of Health (T15LM007092-30) et du programme Biomedical Informatics and Data Science Research Training (BIRT) de l'Université de Harvard.

Beth Israel Deaconess Medical Center, Boston, MA, États-Unis

Jayson S. Marwaha

École de médecine de Harvard, Boston, MA, États-Unis

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

Général de masse Brigham, Boston, MA, États-Unis

Joseph C. Kvédar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Le projet initial a été rédigé par JSM et MMR ; édité par JCK Tous les auteurs ont approuvé le projet final.

Correspondance à Jayson S. Marwaha.

JCK est rédacteur en chef de NPJ Digital Medicine. JSM et MMR n'ont aucun intérêt concurrent à déclarer.

Cette soumission est rédigée par les éditeurs invités de la collection spéciale "technologies numériques émergentes en chirurgie" et vise à présenter la collection.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International License, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, tant que vous donnez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Marwaha, JS, Raza, MM & Kvedar, JC La transformation numérique de la chirurgie. npj Chiffre. Méd. 6, 103 (2023). https://doi.org/10.1038/s41746-023-00846-3

Télécharger la citation

Reçu : 25 février 2023

Accepté : 15 mai 2023

Publié: 31 mai 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt