外科手術のデジタル変革

Nov 13, 2023

npj デジタルメディスン 第 6 巻、記事番号: 103 (2023) この記事を引用

402 アクセス

6 オルトメトリック

メトリクスの詳細

近年のデジタル技術と人工知能の急速な進歩は、すでに多くの産業を変革し始めており、ヘルスケア分野でも前進し始めています。 新しいデジタル技術には、外科患者のケアを改善する大きな可能性があります。 この記事では、機械学習、コンピューター ビジョン、ウェアラブル デバイス、遠隔患者モニタリング、仮想現実と拡張現実を使用して外科治療を進歩させるために行われている取り組みに焦点を当てます。 これらのテクノロジーを使用して手術の実践を改善する方法について説明し、手術室やベッドサイドでの広範な導入と使用に対する機会と課題について説明します。

デジタル技術の革新が医療の実践を変革し始めています。 FDA が承認した内視鏡用人工知能システム 1 から臨床試験でのウェアラブル バイオセンサーの使用の拡大 2 まで、デジタル テクノロジーはすでに医療のさまざまな分野で応用されています。 歴史的に、外科分野は当然のことながら、患者に直接的かつ即座に害を及ぼす可能性を考慮して、広範囲に研究されていない、破壊的な可能性を秘めた新しい技術の導入に対して比較的慎重でした。 これまでの外科のデジタル技術の経験も例外ではありません。 しかし、新しいデジタル技術には外科治療を改善する大きな可能性があるため、日常の外科診療にデジタル技術を組み込むことは避けられないと考えています。 実際、消化器病学や放射線学などの分野では、すでに診療にデジタル技術が組み込まれています4,5。 この npj デジタル医療特別コレクションでは、機械学習、コンピューター ビジョン、ウェアラブル デバイス、遠隔患者モニタリング、仮想現実と拡張現実など、デジタル テクノロジーのいくつかの分野で行われている研究に焦点を当てています。これらはすべて、外科手術を変革する準備ができていると私たちが信じています。今後数年間。 この記事では、これらのテクノロジーの導入の機会と課題について説明します。

機械学習モデルには、従来の統計的リスク計算ツールでは不可能な方法で、マルチモーダル データを含む膨大な数の臨床変数間の複雑で微妙な関係を学習できる可能性があります。 この利点は間もなく、患者の臨床経過をより適切に予測し、外科医がより個別化された患者ケアの決定を下すのに役立つように活用される可能性があります。

具体的には、AI を活用した意思決定支援システムには、手術結果を予測できる可能性があります。 手術結果の予測は、どの患者が外科的介入の恩恵を受ける候補者であるかを判断する術前と、合併症のリスクを予測する術後の患者ケアにとって重要です。 機械学習アルゴリズムを両方の側面に適用して、結果の予測を支援できます。 この種のアルゴリズムを備えたモバイル アプリケーションは、複数の大規模学術機関で開発および試験運用されています6、7、8、9。

このコレクションで強調されているのは、血管手術の臨床データから学習した機械学習モデルのレビューで、いくつかのモデルが既存の臨床予測ツール、臨床医、従来の回帰モデルよりも優れたパフォーマンスを発揮することが判明した10。 この研究ではさらに、機械学習ツールの血管手術への適用が進むにつれて、新しい研究によりモデルのパフォーマンスが向上し続けていることも判明しました。 これらの発見は、機械学習がいつか手術における分析、診断、結果予測の重要な拡張として機能する可能性があることを強調しています。

コンピューター ビジョン (視覚データ分析のための機械学習アルゴリズムの応用) は、画像やビデオ データが関係するあらゆる場所で臨床ケアに影響を与える大きな可能性を秘めています。 この特別なコレクションでは、主に術中データの分析のためのコンピューター ビジョンの応用に焦点を当てています。 ディープ ニューラル ネットワークの使用増加など、コンピューター ビジョンの分野の急速な進歩により、術中ビデオ データの臨床的に重要な側面を正確に識別できるアルゴリズムの開発が行われました11。 より安全な手術をサポートするためのリアルタイム術中コンピュータ ビジョン分析の最も魅力的な潜在的な応用例の 1 つは、外科医が術中の意思決定を支援するための拡張現実体験を提供することです 12。 既存の公開されているコンピュータ ビジョン モデルの多くは、手術の複雑さを評価し、低侵襲手術中の意思決定を支援し、自動化されたスケーラブルな方法で外科医の技術スキルを評価し、術中フィードバックを提供し、手術室チームのダイナミクスを評価し、さらには予測する能力を実証しています。術中イベントに基づく術後の転帰13、14、15。 これらのテクノロジーと組み合わせると、仮想現実を手術スキルの評価と教育の訓練場として使用できます16。 これらのツールを通常の外科診療に組み込むことはまだ現実的ではありませんが、この分野での研究が進むにつれ、潜在的な使用例は確実に増え続けるでしょう。

生理学的信号や患者が報告する変数をリアルタイムで収集および送信するウェアラブル デバイスやその他のパーソナル テクノロジーは、手術を改善する可能性を秘めたもう 1 つの重要なテクノロジーです。 遠隔患者モニタリングにウェアラブル デバイスを使用すると、従来の医療システムとの対面での患者評価を超えた患者の評価が可能になり、手術創、機能状態、疼痛管理、および手術創の遠隔評価が可能になり、術後ケアを改善する大きな機会が得られます。臨床症状の悪化を早期に発見します。 この形式のデータ収集により合併症発生率を潜在的に削減できるという新たな証拠が得られています17。 私たちのコレクションでは、森ら。 デジタルヘルスプラットフォームを使用して、術後の救急外来やクリニック訪問中に記録された臨床事象だけをはるかに超えて、心臓手術患者の在宅での術後の回復のニュアンスをより深く理解する18。

全体的な術後の経過を理解することに加えて、最近の研究は、遠隔患者モニタリングが術後ケアの提供方法を​​変える可能性を示しています。 ランダム化対照試験では、スマートフォンを使用した手術部位の感染の術後監視が対面での追跡評価と同じくらい効果的であることが判明しており、患者の創傷を遠隔監視するためのウェアラブルデバイスの使用が安全かつ効率的であり、医療サービスの利用を削減できる可能性があることを示唆しています。 。 別の研究では、非接触ビデオカメラを使用してバイタルサインを監視すると、生理学的悪化の初期兆候を追跡し、混乱が少なく、より効率的な早期警告システムとして機能する可能性があることが示されています20。 これらの新しい機能により、最終的には術後ケアの中心が病院から在宅に移行する可能性があります。 一部の大規模な学術医療センターは、患者が自宅で手術から安全に回復できるようにする、デジタル技術を活用した在宅外科手術プログラムをすでに確立し、成功を収めています21。

手術に大きな期待を寄せる新興デジタル技術が数多くありますが、その使用には重要な注意事項や考慮事項もあります。

重要な懸念の 1 つは公平性です。 人種的少数派の患者の手術成績には格差があり、社会経済的地位が低いことも今日まで続いています。 ほんの一例として脊椎手術が挙げられますが、黒人患者の術後合併症のリスクは 61% も高いと推定されています 22。 公平性の観点からデジタル テクノロジーを批判的に評価しなければ、こうした格差は今後も存続する可能性があります。 ハラムカら。 彼らは、既存のバイアス検出ツールを使用して、外科診療に導入する前にデータセットやアルゴリズムの不規則性を検出することの重要性を強調しています23。

もう 1 つの重要な懸念事項は情報セキュリティです。 手術室は、技術の高度化と接続されたデバイスの使用という点で成長しています。 たとえば、外科用ロボットは現在、世界中で急速に普及しており、リアルタイムの洞察とサポートを提供するために継続的な接続への依存がますます高まっています。 同時に、病院に対するサイバー攻撃の数も大幅に増加しています24。 手術室では高度なコネクテッド テクノロジーが急速に導入されており、患者に損害を与える可能性のある標的型攻撃の影響を非常に受けやすくなっています。 このコレクションにおける重要な貢献は、Gordon らによるものです。 は、医療システムが手術室におけるサイバーセキュリティ攻撃のリスクをどのように軽減できるかについて説明しています。これには、手術中のリアルタイム接続を必要なものだけに最小限に抑えること、安全対策の開発でベンダーと協力すること、ダウンタイム手順を確立することなどが含まれます25。

3 番目に重要な考慮事項は、これらのテクノロジーが安全で効果的であることを保証するためにどのように規制されるかを決定することです。 AI 対応テクノロジーのユニークな要素の 1 つは、新しいデータが導入されるにつれて時間の経過とともに適応する能力です。 これにより、パフォーマンスに予期せぬ変化が生じ、最終的には当初承認されたツールとは大きく異なるツールになる可能性があります。 米国食品医薬品局 (FDA) は、これらのツールを最適に規制する方法を決定する過程にあります。 彼らは 2019 年に提案された規制枠組みを開発し 26、それ以来それを改良してきました。 つい最近では 2023 年 4 月に、実世界のデータによる製品ライフサイクル全体にわたる継続的な製品モニタリングを推奨し、長期にわたるパフォーマンスの微調整を可能にする新しいガイダンス草案を発表しました27。

これらの技術を外科手術に広く導入する上で最も重要な障壁となるのは、その臨床的影響を示す証拠が限られていることです28。 たとえば、AI 対応の意思決定支援ツールを使用した場合にケアが改善されることを示した研究はほとんどありません 29。 臨床への影響に対する重要な障壁には、ML モデルの出力を臨床的に実用的な洞察に変換し、それらを既存のワークフローや臨床意思決定プロセスに組み込むことが含まれます 15、21、30。 さらに、これらの新しいテクノロジーは、信頼を得るために、再現可能で透明性があり、ユーザーにとって解釈可能な方法で構築され、厳密に評価される必要があります30,31。 より大規模で多様なデータセットへのアクセスは、これらの問題の一部に対処するのに役立つ可能性があります12。

外科治療を改善する可能性のある新しいデジタル技術の数は急速に増加しています。 この特別なコレクションではカバーされていないユースケースやテクノロジーが多数あります。 GPT-4 や DALL-E 2 などの生成 AI モデルは、医療文献で検討され始めたばかりですが、その驚異的な能力により、潜在的なユースケースの検討に対する幅広い関心が引き起こされています 32,33。 別の例として、手術室で周囲感知モニターを使用すると、品質管理プロセスの自動化、医療過誤の防止、手術チーム全体の周術期状況認識の向上に役立つ可能性があります34。

この分野の研究は、インシリコでのパフォーマンスから新しいデジタル技術による実際の臨床上の利点までのギャップを埋めることに焦点を当てる必要があります。 これには、これらのツールの実装科学を構築し、現実世界の証拠に基づいてそれらを評価し、新しいアプリケーションを探索し続けることが含まれます35。 医療システムは、これらのツールの導入と維持に必要な専門知識と IT インフラストラクチャへの投資を開始する必要があります36。 より効率的かつ効果的な患者ケアに向けた進歩には、これらの新興デジタル技術による手術の強化が必要です。

Raza、MM、Venkatesh、KP、Diao、JA、Kvedar、JC 将来のデジタル手術を定義する。 NPJ ディジットメッド。 5、155（2022）。

記事 PubMed PubMed Central Google Scholar

Vijayan, V.、Connolly, JP、Condell, J.、McKelvey, N.、Gardiner, P. コネクテッド ヘルスに関するウェアラブル デバイスとデータ収集の考慮事項のレビュー。 センサー 21、1 ～ 31 (2021)。

記事 Google Scholar

Riskin, DJ、Longaker, MT、Gertner, M. & Krummel, TM 手術における革新: 歴史的視点。 アン。 外科。 244、686–693 (2006)。

記事 PubMed PubMed Central Google Scholar

ビフィ、C.ら。 結腸直腸ポリープのリアルタイム光学特性評価のための新しい AI デバイス。 npjデジタルメディスン vol. 5 https://doi.org/10.1038/s41746-022-00633-6 のプレプリント (2022)。

キム、H.-E. 他。 人工知能を使用したマンモグラフィーにおけるがん検出と偽陽性リコールの変化: 遡及的なマルチリーダー研究。 ランセット ディジット ヘルス 2、e138–e148 (2020)。

論文 PubMed Google Scholar

マウラー、LRら。 外傷転帰予測ツール: 外傷患者の転帰を予測するための人工知能対話型スマートフォン ツール。 J. 外傷救急外科 91、93–99 (2021)。

論文 PubMed Google Scholar

Bertsimas, D.、Dunn, J.、Velmahos, GC & Kaafarani, HMA 手術リスクは線形ではない: 緊急手術リスクにおける、新しくユーザーフレンドリーな機械学習ベースの予測最適ツリーの導出と検証 (POTTER)電卓。 アン。 外科。 268、574–583 (2018)。

論文 PubMed Google Scholar

コーリー、KM 他。 自動的に収集された電子医療記録データ (Pythia) を使用して高リスクの手術患者を特定するための機械学習モデルの開発と検証: 後ろ向きの単一施設研究。 PLoS医学。 15、e1002701 (2018)。

記事 PubMed PubMed Central Google Scholar

レン、Ｙら。 電子医療記録データを使用した機械学習アルゴリズムのパフォーマンスにより、術後合併症を予測し、モバイル プラットフォーム上でレポートを作成します。 JAMAネットワークオープンvol. 5 e2211973 https://doi.org/10.1001/jamanetworkopen.2022.11973 (2022) のプレプリント。

リー、B.ら。 血管手術における機械学習: 系統的レビューと批判的評価。 NPJ ディジットメッド。 5、7 (2022)。

記事 PubMed PubMed Central Google Scholar

ウォード、TM et al. 手術におけるコンピュータービジョン。 外科 169、1253–1256 (2021)。

論文 PubMed Google Scholar

Colborn, K.、Brat, G.、Callcut, R. 手術における予測分析と人工知能 - 機会とリスク。 JAMA Surg. https://doi.org/10.1001/jamasurg.2022.5444 (2022)。

マスカーニ、P. et al. 手術におけるコンピュータービジョン: 可能性から臨床的価値まで。 NPJ ディジットメッド。 5、163 (2022)。

記事 PubMed PubMed Central Google Scholar

ラム、K.ら。 手術における技術スキル評価のための機械学習: 体系的なレビュー。 NPJ 桁。 医学。 5、24 (2022)。

記事 PubMed PubMed Central Google Scholar

Ma、R.ら。 手術のパフォーマンスを定量化し、患者の転帰を予測する方法としての手術ジェスチャー。 NPJ ディジットメッド。 5、187 (2022)。

記事 PubMed PubMed Central Google Scholar

Yilmaz、R.ら。 仮想現実シミュレーションでディープ ニューラル ネットワークを使用して、両手による外科手術の専門知識を継続的にモニタリングします。 npjデジタルメディスン vol. 5 https://doi.org/10.1038/s41746-022-00596-8 (2022) のプレプリント。

ナイト、SR 他手術後の患者の転帰を測定するためのモバイル デバイスとウェアラブル技術: 体系的なレビュー。 NPJ ディジットメッド。 4、157（2021）。

記事 PubMed PubMed Central Google Scholar

森 M.、Dhruva SS、Geirsson A.、Krumholz HM デジタル プラットフォームを使用した心臓手術後のマルチドメイン術後回復軌跡の特徴付け。 npjデジタルメディカル 5、1–8 (2022)。

記事 Google Scholar

マクリーン、KA et al. モバイルデジタル介入を使用した手術部位感染の遠隔診断: 緊急手術患者を対象としたランダム化比較試験。 NPJ ディジットメッド。 4、160（2021）。

記事 PubMed PubMed Central Google Scholar

ホルヘ、J. 他集中治療室の術後患者の非接触生理学的モニタリング。 NPJ ディジットメッド。 5、4 (2022)。

記事 PubMed PubMed Central Google Scholar

Pathak, K.、Marwaha, JS、Tsai, TC 外科在宅病院プログラムにおけるデジタル テクノロジーの役割。 npjデジタルメディカル 6、1–6 (2023)。

記事 Google Scholar

サンフォード、Z.ら。 脊椎手術後の手術結果における人種差: ACS-NSQIP 分析。 Global Spine J. 9、583–590 (2019)。

論文 PubMed Google Scholar

Halamka, J.、Bydon, M.、Cerrato, P.、Bhagra, A. 機械学習を使用して外科治療における人種格差に対処する。 NPJ ディジットメッド。 5、152（2022）。

記事 PubMed PubMed Central Google Scholar

Niki, O. 'brien、Saira, G.、Arvind, S.、Mike, D. サイバー攻撃は医療システムに対する永続的かつ重大な脅威であり、教育はそれを反映する必要があります。 ディジットヘルス 8、20552076221104665 (2022)。

PubMed PubMed Central Google Scholar

Gordon, WJ、Ikoma, N.、Lyu, H.、Jackson, GP、Landman, A. 処置ケアの保護 - ロボット手術におけるサイバーセキュリティの考慮事項。 npj ディグ。 医学。 5、1–3 (2022)。

Google スカラー

米国FDA。 医療機器としての人工知能/機械学習 (AI/ML) ベースのソフトウェア (SaMD) の変更に関する規制枠組みの提案 - ディスカッション ペーパーおよびフィードバックの要求。 https://www.fda.gov/files/medical%20devices/published/US-FDA-Artificial-Intelligence-and-Machine-Learning-Discussion-Paper.pdf (2019)。

デバイスと放射線健康センター。 人工知能/機械学習 (AI/ML) 対応デバイス ソフトウェア機能に関する所定の変更管理計画に関するマーケティング提出の推奨事項。 米国食品医薬品局 https://www.fda.gov/regulatory-information/search-fda-guidance-documents/marketing-submission-recommendations-predetermined-change-control-plan-artificial。

ロフタス、TJ 他手術における人工知能対応の意思決定支援: 最先端と将来の方向性。 アン。 外科。 https://doi.org/10.1097/SLA.0000000000005853。

周、Q.、チェン、Z.-H.、曹、Y.-H. & Peng, S. 人工知能予測ツールを評価する介入を含むランダム化比較試験の臨床的影響と質: 体系的レビュー。 npj デジタルメディシン 4、1–12 (2021)。

記事 Google Scholar

Lee, CK、Samad, M.、Hofer, I.、Cannesson, M. & Baldi, P. 術後の院内死亡率を予測するための解釈可能なニューラル ネットワークの開発と検証。 NPJ ディジットメッド。 4、8 (2021)。

記事 PubMed PubMed Central Google Scholar

マルワハ、JS 他手術予測モデルの開発とレポートの品質を評価します。 JAMA Surg. https://doi.org/10.1001/jamasurg.2022.4488 (2022)。

論文 PubMed Google Scholar

Sarraju、A. et al. 人気のオンライン チャットベースの人工知能モデルから得られた心血管疾患予防推奨事項の適切性。 JAMA https://doi.org/10.1001/jama.2023.1044 (2023)。

ChatGPT: ヘルスケアの世界は変わりますか? （2023年）。

Haque, A.、Milstein, A.、Fei-Fei, L. アンビエント インテリジェンスで医療の暗い空間を照らします。 Nature 585、193–202 (2020)。

論文 CAS PubMed Google Scholar

Marwaha, JS & Kvedar, JC モデルのパフォーマンスから臨床効果へのキャズムを越える: AI の実装と評価を改善する必要性。 npjデジタルメディカル 5、1–2 (2022)。

記事 Google Scholar

Marwaha, JS、Landman, AB、Brat, GA、Dunn, T. & Gordon, WJ 大規模で複雑な医療システム内でのデジタル医療ツールの導入: 導入と導入に関する重要な考慮事項。 NPJデジタルメディカル 5、13 (2022)。

記事 Google Scholar

リファレンスをダウンロードする

JSM は、国立医学図書館/国立衛生研究所 (T15LM007092-30) およびハーバード大学の生物医学情報学およびデータ サイエンス研究トレーニング (BIRT) プログラムからの助成金によって支援されています。

ベス・イスラエル・ディーコネス・メディカル・センター、ボストン、マサチューセッツ州、米国

ジェイソン・S・マルワハ

ハーバード大学医学部、ボストン、マサチューセッツ州、米国

ジェイソン・S・マルワハ、マリウム・M・ラザ、ジョセフ・C・クヴェダル

マス・ジェネラル・ブリガム、ボストン、マサチューセッツ州、米国

ジョセフ・C・クヴェダール

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

最初のドラフトは JSM と MMR によって書かれました。 JCK 編集 すべての著者が最終草案を承認しました。

ジェイソン・S・マルワハへの通信。

JCK は NPJ Digital Medicine の編集長です。 JSM と MMR には、宣言すべき競合する利益はありません。

この投稿は、「外科における新興デジタル技術」特別コレクションのゲスト編集者によって執筆され、コレクションを紹介することを目的としています。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Marwaha, JS、Raza, MM、Kvedar, JC 外科手術のデジタル変革。 npj 数字。 医学。 6、103（2023）。 https://doi.org/10.1038/s41746-023-00846-3

引用をダウンロード

受信日: 2023 年 2 月 25 日

受理日: 2023 年 5 月 15 日

発行日: 2023 年 5 月 31 日

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

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供