Dario Sacco1 , Simone Paesano1, Maria Gabriella Grassia1, Salvatore Massa2
Dipartimento di scienze sociali- Università degli Studi di Napoli Federico II
UOC Day Surgery Polispecialistica – Aorn Sant’Anna e San Sebastiano di Caserta
In generale, possiamo definire l’Intelligenza Artificiale (IA) come un processo in rapida evoluzione che mira a creare algoritmi in grado di svolgere compiti che tipicamente richiedono l’intelligenza umana. Comprende tecniche come l’apprendimento automatico o machine learning (ML), il deep learning (DL) e l’elaborazione del linguaggio naturale (NLP). I famosi Chat-bot, come Chat-GPT, sfruttano modelli linguistici di grandi dimensioni (Large Language Models – LLM) utilizzando tecniche di deep learning su enormi moli di dati per generare e comprendere contenuti testuali. Nei settori della sanità, come in tantissimi altri settori, l’IA sta avendo un impatto significativo, aiutando attività quali la diagnostica, i piani di trattamento personalizzati, la chirurgia o l’analisi dei dati.
L’intelligenza artificiale è sempre più integrata in vari aspetti sanitari, offrendo un’ampia gamma di vantaggi e progressi. È ben stata accolta dai professionisti e ha portato con sé un’enorme quantità di vantaggi e progressi che stanno rivoluzionando il modo in cui si affrontano, ad esempio, le procedure chirurgiche (Cacciamani et al., 2021). Queste tecnologie non si limitano più a prefigurare un futuro distante: sono qui, ora, e stanno trasformando radicalmente il modo in cui valutiamo, miglioriamo le competenze ed operiamo delle scelte.
Considerando ad esempio il lavoro pionieristico di Alonso-Silverio et al., che nel 2018 hanno sviluppato un trainer laparoscopico basato su hardware open source e intelligenza artificiale. Grazie a una scheda Raspberry Pi e al linguaggio di programmazione Phyton, questo sistema è in grado di offrire ai praticanti compiti laparoscopici in realtà virtuale o aumentata, fornendo un riscontro in tempo reale che aumenta l’autostima e la competenza di chi lo utilizza.
Gli algoritmi di apprendimento automatico sono stati impiegati con successo per prevedere vari esiti, come il mancato raggiungimento di risultati clinicamente significativi dopo la riparazione della cuffia dei rotatori, la trasfusione di sangue durante l’intervento di clampaggio dell’aneurisma intracranico e la salute delle ossa nei pazienti sottoposti a chirurgia di ricostruzione spinale (Alaiti, 2023; Xiao et al., 2023; Shen et al., 2022).
Inoltre, l’apprendimento automatico è stato applicato per prevedere le complicazioni, le riammissioni e generare radiografie post-operatorie in chirurgia, facilitando le discussioni con i pazienti e la pianificazione del trattamento (Patel et al., 2021). È stato anche utile per identificare i candidati alla chirurgia dell’epilessia, prevedere i risultati della chirurgia del sonno nei soggetti con apnea ostruttiva e valutare i risultati della trabeculectomia nei pazienti con glaucoma (Wissel et al., 2021; Kim et al., 2021; Banna et al., 2022).
I modelli di apprendimento automatico sono stati utilizzati per prevedere il fabbisogno di oppioidi postoperatori, la durata della degenza nei pazienti sottoposti a chirurgia della deformità spinale e la necessità di ricovero in unità di terapia intensiva dopo l’intervento in pazienti elettivi non cardiopatici (Zhang et al., 2021; Lan et al., 2022). Inoltre, l’apprendimento automatico è stato impiegato per prevedere l’aspettativa di vita dopo un intervento di chirurgia toracica, per identificare le cancellazioni di interventi chirurgici e per valutare l’associazione tra salute mentale ed esiti dopo l’allotrapianto osteocondrale per i difetti della cartilagine del ginocchio (Ravichandran et al., 2021; Zhang et al., 2021). La tecnologia è stata esplorata anche nella chirurgia plastica e ricostruttiva, nella chirurgia epato pancreatico biliare e nell’imaging dei disturbi della colonna vertebrale, dimostrando la sua versatilità in diverse sottocategorie chirurgiche (Bektaş et al., 2022).
Tra gli altri aspetti sussistono anche quelli di carattere formativo-didattico. Ne è manifesto il lavoro di Huaulmé et al., che nel 2019 ha dimostrato come l’apprendimento automatico possa velocizzare il processo di annotazione durante i compiti di formazione chirurgica, riducendo il tempo da 12 minuti a meno di un secondo per video di un minuto, garantendo al contempo una precisione e una replicabilità senza precedenti.
La statistica guida questo processo di avanzamento tecnologico. Come riportato dal lavoro di Mirchi et al. (2020), che fa un passo avanti nello studio delle performance chirurgiche, addestrando un sistema basato su reti neurali artificiali su 16 metriche selezionate, raggiungendo una precisione del 100% nell’addestramento e un’incredibile accuratezza del 83,3% nei test.
Queste storie derivanti dalla ricerca in ambito sanitario non solo ci raccontano il potenziale rivoluzionario dell’intelligenza artificiale nella chirurgia, nella formazione e nella pratica medica, ma ci invitano anche a immaginare un futuro in cui questa tecnologia continuerà a migliorare le competenze e i risultati per i medici, chirurghi, operatori sociosanitari ed i loro pazienti.
Andiamo più nello specifico. Una delle applicazioni riguarda l’implementazione dell’IA per lo studio e la pratica della chirurgia basandosi su simulazioni rese possibili con l’utilizzo della realtà virtuale (VR) (Veneziano et al., 2020). Immagina avere un’IA come un coach personale che segue passo dopo passo i miglioramenti delle competenze chirurgiche di medici e specializzandi, non solo offrendo feedback personalizzati e indicazioni su come affinare le abilità personali, ma funge da guida in un mondo virtuale dove si possono simulare situazioni complesse e affrontare sfide che preparano al meglio per il teatro operatorio reale. Le simulazioni in realtà virtuale possono essere considerate come un luogo privato dove si può fare pratica e sperimentare in un ambiente sicuro e controllato.
Ma l’IA va oltre la semplice formazione: ha il potenziale di adattarsi alle curve di apprendimento e alle preferenze individuali, personalizzando l’esperienza di formazione per soddisfare le esigenze specifiche di ciascun medico analizzando i dati generati durante le simulazioni VR (realtà aumentata). Gli algoritmi di intelligenza artificiale possono identificare le aree in cui un chirurgo potrebbe aver bisogno di ulteriore pratica o guida, facilitando un processo di formazione più efficace. È stato dimostrato che questo approccio personalizzato alla valutazione delle capacità chirurgiche migliora l’acquisizione e la conservazione delle competenze, portando in ultima analisi ad un miglioramento dei risultati chirurgici. In sintesi, l’integrazione dell’IA nella formazione chirurgica attraverso le simulazioni VR offre un mondo di opportunità per migliorare le tue competenze e ottenere risultati migliori per i pazienti. Questi metodi e strumenti ad alto contenuto tecnologico possono accompagnare i chirurghi in un viaggio di apprendimento coinvolgente e gratificante che prepara per eccellere nella sala operatoria.
Entrando nel mondo sempre più tecnologico della chirurgia, dove le tecnologie di intelligenza artificiale stanno aprendo nuove frontiere nella prevenzione delle complicanze, nella pianificazione dei trattamenti e nell’analisi delle tecniche chirurgiche. Immaginate di immergervi in un mondo in cui le macchine imparano come studenti ansiosi in una classe affollata. In questo entusiasmante regno dell’intelligenza artificiale, i ricercatori sono come insegnanti esperti, che guidano questi algoritmi attraverso vari test e metriche di valutazione per assicurarsi che abbiamo un’accuratezza predittiva nel prendere una decisione. Questo immaginario, che prima potesse sembrare futuro, è ormai realtà. Stam et al., (2022) attraverso una review sistematica della letteratura hanno evidenziato 15 studi che trattano di di previsione delle complicanze chirurgiche mediante tecniche statistiche che sfruttano l’IA. Ne deriva che ogni ricercatore mostra con orgoglio il proprio modello di apprendimento automatico (Machine Learning) completo di una serie di risultati e convalide. La prevalenza di questi articoli riporta nelle pratiche mediche l’implementazione di metodi statistici per valutare l’accuratezza delle loro previsioni come la cross-validation ed il bootstrap.
In questa review vengono utilizzati 29 modelli di apprendimento automatico e dati di 686.696 pazienti. La revisione mostra che l’utilizzo dell’IA nella previsione delle complicanze postoperatorie è stato sempre più studiato e di tendenza negli ultimi anni.
Tutti gli articoli hanno concluso che l’IA ha il potenziale di prevedere le complicanze postoperatorie e di rilevare le associazioni non lineari che non possono essere ottenute con le statistiche convenzionali. Se questi modelli che sfruttano l’IA venissero applicati meticolosamente nella pratica clinica quotidiana, i modelli di previsione potrebbero modificare e migliorare significativamente la gestione post-operatoria. Se un modello è in grado di prevedere le complicanze prima dell’individuazione clinica o del sospetto del medico è possibile prendere in considerazione e attuare un trattamento precoce. L’identificazione e l’intervento precoce possono portare a una riduzione dell’effetto della complicanza o addirittura alla sua prevenzione. Tuttavia, non è ancora realmente iniziata la diffusione di queste tecniche per le convenzionali pratiche ospedaliere e chirurgiche. Le ricerche in cui sono implementati questi particolari algoritmi sottolineano ancora complicanze tecniche legate ad esempio al set di dati che vengono utilizzati per l’apprendimento ed il troppo alto numero di falsi negativi nelle previsioni.
Ma l’IA non si ferma qui. Nel campo della chirurgia spinale, rivela il suo potenziale come una vera e propria forza rivoluzionaria. L’articolo “Artificial intelligence and robotics in spine surgery” (Rasouli et al., (2021)) presenta una discussione approfondita riguardo l’impatto dell’intelligenza artificiale e della robotica sulla chirurgia vertebrale. L’articolo illustra come questi progressi tecnologici stiano iniziando ad affrontare diverse sfide nel settore, dalla pianificazione preoperatoria all’esecuzione intraoperatoria e alla valutazione post-operatoria.
Una delle aree principali in cui l’IA si sta facendo strada è l’assistenza preoperatoria al paziente. Grazie all’utilizzo di analisi predittive aiuta i chirurghi a prendere decisioni più informate sulla gestione dei pazienti, sull’ottimizzazione dei risultati chirurgici e sull’individualizzazione delle cure postoperatorie. Ciò comporta un’analisi approfondita di vaste serie di dati per identificare modelli e prevedere i risultati, che possono migliorare notevolmente la precisione e la personalizzazione dei piani di trattamento. Nel campo della ricerca, il ruolo dell’IA si evidenzia come uno strumento fondamentale in grado di analizzare e interpretare dati complessi. Questo non solo rafforza la qualità e l’affidabilità della ricerca, ma apre anche la strada a linee guida cliniche più sfumate e basate sull’evidenza. L’abilità predittiva dell’IA può stimare intuizioni che i ricercatori e medici potrebbero impiegare anni per scoprire, accelerando così il ritmo dell’innovazione.
Durante la procedura chirurgica vera e propria, la robotica emerge come un fattore di svolta, offrendo una maggiore precisione e stabilità che può ridurre significativamente il rischio di errore umano. Rasouli et al., (2021) descrivono in dettaglio diversi sistemi robotici, come SpineAssist e il robot GPS Excelsius, illustrando il loro contributo al miglioramento della precisione chirurgica. Questi sistemi forniscono un feedback in tempo reale e assistono nel posizionamento meticoloso degli strumenti chirurgici, che è fondamentale per il successo di intricati interventi alla colonna vertebrale.
Queste tecnologie consentono un tracciamento più accurato dei dati, facilitano la pianificazione chirurgica sfumata e assistono nell’esecuzione di manovre chirurgiche complesse, il che contribuisce a migliorare i risultati dei pazienti e a ridurre potenzialmente i tempi di recupero.
Nel panorama in continua evoluzione della chirurgia vertebrale, una cosa è certa: le tecnologie di intelligenza artificiale sono arrivate e sono destinate a rimanere.
L’articolo “Analyzing Surgical Technique in Diverse Open Surgical Videos With Multitask Machine Learning” di Goodman (2024) esplora l’applicazione dell’apprendimento automatico multitask nell’analisi dei comportamenti chirurgici in diversi video di chirurgia aperta.
I risultati dello studio hanno dimostrato lo sviluppo di un modello di intelligenza artificiale multitask in grado di comprendere i comportamenti chirurgici in tempo quasi reale, evidenziando gli elementi costitutivi del flusso procedurale e dell’abilità del chirurgo. Sfruttando i dati video i ricercatori sono riusciti a creare un modello in grado di fornire approfondimenti sulle tecniche e sui comportamenti chirurgici eseguiti, offrendo un feedback prezioso per il miglioramento delle competenze e la valutazione delle prestazioni. Questo approccio non solo migliora la formazione chirurgica, ma contribuisce anche a standardizzare le pratiche chirurgiche e a migliorare i risultati medici ed operatori. Anche i video di interventi chirurgici rappresentano una fonte preziosa per il miglioramento di pratiche e risultati, poiché sfruttando la potenza degli algoritmi di IA per interpretare i comportamenti chirurgici complessi sotto analisi, viene aperta la strada a meccanismi di feedback personalizzati, valutazioni oggettive delle abilità e approfondimenti in tempo reale sulle procedure chirurgiche. In conclusione, è possibile sostenere che lo studio di Goodman (2024) mostra l’impatto trasformativo dell’apprendimento automatico multitask nell’analisi delle tecniche chirurgiche, offrendo un approccio innovativo alla comprensione e alla valutazione dei comportamenti chirurgici in tempo reale.
Riferimenti
Alaiti, R. (2023). Using machine learning to predict nonachievement of clinically significant outcomes after rotator cuff repair. Orthopaedic Journal of Sports Medicine, 11(10).
Alonso-Silverio, G. A., Perez-Escamirosa, F., Bruno-Sanchez, R., Ortiz-Simon, J. L., Muñoz-Guerrero, R., Minor-Martinez, A., & Alarcón-Paredes, A. (2018). Development of a laparoscopic box trainer based on open source hardware and artificial intelligence for objective assessment of surgical psychomotor skills. Surgical Innovation, 25(4), 380-388.
Bektaş, M., Tuynman, J., Pereira, J., Burchell, G., & Peet, D. (2022). Machine learning algorithms for predicting surgical outcomes after colorectal surgery: a systematic review. World Journal of Surgery, 46(12), 3100-3110.
Cacciamani, G., Anvar, A., Chen, A., Gill, I., & Hung, A. (2021). How the use of the artificial intelligence could improve surgical skills in urology: state of the art and future perspectives. Current Opinion in Urology, 31(4), 378-384.
Chang, M., Canseco, J., Nicholson, K., Patel, N., & Vaccaro, A. (2020). The role of machine learning in spine surgery: the future is now. Frontiers in Surgery, 7.
Goodman, E. (2024). Analyzing surgical technique in diverse open surgical videos with multitask machine learning. Jama Surgery, 159(2),185.
Huaulmé, A., Despinoy, F., Perez, S. A. H., Harada, K., Mitsuishi, M., & Jannin, P. (2019). Automatic annotation of surgical activities using virtual reality environments. International journal of computer assisted radiology and surgery, 14, 1663-1671.
Kleuver, M., Lewis, S., Germscheid, N., Kamper, S., Alanay, A., Berven, S., … & Shaffrey, C. (2014). Optimal surgical care for adolescent idiopathic scoliosis: an international consensus. European Spine Journal, 23(12), 2603-2618.
Lan, L., Chen, F., Luo, J., Li, M., Hao, X., Hu, Y., … & Zhou, X. (2022). Prediction of intensive care unit admission (>24h) after surgery in elective noncardiac surgical patients using machine learning algorithms. Digital Health, 8, 205520762211105
Mirchi, N., Bissonnette, V., Yilmaz, R., Ledwos, N., Winkler-Schwartz, A., & Del Maestro, R. F. (2020). The Virtual Operative Assistant: An explainable artificial intelligence tool for simulation-based training in surgery and medicine. PloS one, 15(2), e0229596.
Mirnezami, R. and Ahmed, A. (2018). Surgery 3.0, artificial intelligence and the next-generation surgeon. British Journal of Surgery, 105(5), 463-465.
Rasouli, J., Shao, J., Neifert, S., Gibbs, W., Habboub, G., Steinmetz, M., … & Mroz, T. (2020). Artificial intelligence and robotics in spine surgery. Global Spine Journal, 11(4), 556-564.
Shen, Y., Sardar, Z., Chase, H., Coury, J., Cerpa, M., & Lenke, L. (2022). Predicting bone health using machine learning in patients undergoing spinal reconstruction surgery. Spine, 48(2), 120-126.
Stam, W., Goedknegt, L., Ingwersen, E., Schoonmade, L., Bruns, E., & Daams, F. (2022). The prediction of surgical complications using artificial intelligence in patients undergoing major abdominal surgery: a systematic review. Surgery, 171(4), 1014-1021.
Veneziano, D., Cacciamani, G., Rivas, J., Marino, N., & Somani, B. (2020). Vr and machine learning: novel pathways in surgical hands-on training. Current Opinion in Urology, 30(6), 817-822.
Winkler-Schwartz, A., Bissonnette, V., Mirchi, N., Ponnudurai, N., Yilmaz, R., Ledwos, N., … & Del Maestro, R. F. (2019). Artificial intelligence in medical education: best practices using machine learning to assess surgical expertise in virtual reality simulation. Journal of surgical education, 76(6), 1681-1690.
Xiao, S., Liu, F., Yu, L., Li, X., Ye, X., & Gong, X. (2023). Development and validation of a nomogram for blood transfusion during intracranial aneurysm clamping surgery: a retrospective analysis. BMC Medical Informatics and Decision Making, 23(1).
Zhang, A., Veeramani, A., Quinn, M., Alsoof, D., Kuris, E., & Daniels, A. (2021). Machine learning prediction of length of stay in adult spinal deformity patients undergoing posterior spine fusion surgery. Journal of Clinical Medicine, 10(18), 4074.
