Máltai Tanulmányok | Robotsebészeti munkafolyamatok vizsgálata és támogatása a sebészeti adattudomány korában

Megosztás

Szöveg beállítások

Kisebb sebek, nagyobb hozzáférés, gyorsabb gyógyulás – ilyen, amikor egy robot operál. A műtétek során szerzett adatmennyiség pedig hozzá tud járulni az automatikus hibafelismeréshez, és segítséget nyújthat a döntéshozatalban is.

Cikk felolvasása00:00

Absztrakt

A minimál invazív sebészet (MIS) új korszakot hozott a sebészetben, kisebb bemetszésekkel csökkentve a beavatkozás kockázatait. A MIS digitális technológiával való ötvözésével létrejött a robotasszisztált minimál invazív sebészet (RAMIS), amely teleoperáció segítségével olyan további újításokat vezetett be, mint a kézremegés kiszűrése és a jobb ergonómia. Ezek az újítások tovább növelték a sebészi precizitást.

Az elmúlt években egyre nagyobb hangsúlyt kapott a műtéti eljárás egyes fázisainak elemzése, amelyre a sebészeti adattudomány (Surgical Data Science, SDS) mesterségesintelligencia-alapú módszerei kínálnak hatékony megoldásokat. A fázisfelismerés lehetővé teszi a beavatkozás különböző szakaszainak azonosítását, amely támpontot ad a sebészeti teljesítmény precízebb értékeléséhez és személyre szabott képzési programok kidolgozásához.

Az orvostudomány, a technológia és a mesterséges intelligencia összefonódása forradalmasítja a sebészetet, és javítja a betegellátás minőségét.

Kulcsszavak: MIS, RAMIS, robotsebészet, sebészeti adattudomány, gépi tanulás, sebészeti munkafolyamatok elemzése

DOI: 10.56699/MT.2024.4.3

A minimál invazív sebészet (MIS) a nyílt, vagyis a teljes területet feltáró műtétektől eltérően apró bemetszésekkel végezhető el, s ezáltal jelentősen csökkenthető a betegek felépüléséhez szükséges idő. Ezt az eljárást már számos területen alkalmazzák napjainkban, például epehólyag-eltávolításnál, vese-, prosztata- vagy petefészekműtéteknél. A MIS elvégzéséhez a sebészeknek olyan speciális készségeket kell elsajátítaniuk, mint az endoszkópos kamera kezelése, amely lehetővé teszi számukra, hogy a műtéti területet monitoron keresztül lássák.

A robotasszisztált minimál

Csatlakozzon ingyen és olvasson tovább!

Regisztráljon honlapunkon hogy ingyenesen hozzáférjen a Máltai Tanulmányok összes rovatának archívumához teljes terjedelemben.

Csatlakozom Regisztráció részletei

Már regisztrált tag vagyok, bejelentkezem.

Felhasznált irodalom

Árbajegyzék

ábra: A sebészeti adattudomány Levendovics et al., 2024, 3.
ábra: A da Vinci robotrendszerhez kapcsolódó kulcsfontosságú műszaki fejlesztési területek. Saját szerkesztés.
ábra: A sebészeti robotok kutatási iránya: az autonómia szintjének (Level of Autonomy, LoA) növelése. Saját szerkesztés.

Felhasznált irodalom

Alhajj, Hassan – Lamard, Mathieu – Conze, Pierre-henri – Cochener, Béatrice – Quellec, Gwenolé (2021): CATARACTS, IEEE Dataport. DOI: https://dx.doi.org/10.21227/ac97-8m18
Fichtinger, Gabor – Troccaz, Jocelyne – Haidegger, Tamas (2022): Image-guided interventional robotics: Lost in translation?, Proceedings of the IEEE, 110 (7), 932–950. DOI: https://doi.org/10.1109/JPROC.2022.3166253
Freschi, C. – Ferrari, V. – Melfi, F. – Ferrari, M. – Mosca, F. – Cuschieri, A. (2013): Technical review of the da Vinci surgical telemanipulator, The International Journal of Medical Robotics and Computer Assisted Surgery, 9 (4), 396–406. DOI: https://doi. org/10.1002/rcs.1468
Gao, Yixin – Vedula, S. Swaroop – Reiley, Carol E. – Ahmidi, Narges – Varadarajan, Balakrishnan – Lin, Henry C. – Tao, Lingling – Zappella, Luca et al. (2014): The JHU-ISI gesture and skill assessment working set (JIGSAWS): A surgical activity dataset for human motion modeling, In Modeling and Monitoring of Computer Assisted Interventions (M2CAI) – MICCAI Workshop, https://cirl.lcsr. jhu.edu/research/hmm/datasets/jigsaws_release/ (letöltve: 2024. 10. 24.).
Haidegger, Tamás (2019): Autonomy for surgical robots: Concepts and paradigms, IEEE Transactions on Medical Robotics and Bionics, 1 (2), 65–76. DOI: https://doi. org/10.1109/TMRB.2019.2913282
Haidegger, Tamás – Speidel, Stefanie – Stoyanov, Danail – Satava Richard M. (2022): Robot-assisted minimally invasive surgery – Surgical robotics in the data age, Proceedings of the IEEE, 110 (7), 835–846. DOI: https://doi.org/10.1109/ JPROC.2022.3180350
Hashimoto, Daniel A. – Rosman, Guy – Witkowski, Elan R. – Stafford, Caitlin – Navarette-Welton, Allison J. et al. (2019): Computer vision analysis of intraoperative video: Automated recognition of operative steps in laparoscopic sleeve gastrectomy, Annals of Surgery, 270 (3), 414–421. DOI: https://doi.org/10.1097/SLA.0000000000003460
Kranzfelder, Michael – Schneider, Armin – Fiolka, Adam – Koller, Sebastian et al. (2014): Reliability of sensor-based real-time workflow recognition in laparoscopic cholecystectomy, International Journal of Computer Assisted Radiology and Surgery, 9, 941–948. DOI: https://doi.org/10.1007/s11548-014-0986-z
Levendovics, Renáta – Levendovics, Tamás – Kronreif, Gernot – Haidegger, Tamás (2024): Surgical data science: Emerging trends and future pathways, Recent Advances in Intelligent Engineering: Volume Dedicated to Imre J. Rudas’ Seventy-Fifth Birthday, 65–84. DOI: https://doi.org/10.1007/978-3-031-58257-8_5
Malpani, Anand – Lea, Colin – Chen, Chi Chiung Grace – Hager, Gregory D. (2016): System events: readily accessible features for surgical phase detection, International Journal of Computer Assisted Radiology and Surgery, 11 (6), 1201–1209. DOI: https://doi.org/10.1007/s11548-016-1409-0
Palep, Jaydeep H. (2009): Robotic assisted minimally invasive surgery, Journal of Minimal Access Surgery, 5 (1), 1–7. DOI: https://doi.org/10.4103/0972-9941.51313
Ramesh, Sanat – Dall’Alba, Diego – Gonzalez, Cristians – Yu, Tong – Mascagni, Pietro – Mutter, Didier – Marescaux, Jacques – Fiorini, Paolo – Padoy, Nicolas (2021): Multi-task temporal convolutional networks for joint recognition of surgical phases and steps in gastric bypass procedures, International Journal of Computer Assisted Radiology and Surgery, 16, 1111–1119. DOI: https://doi. org/10.1007/s11548-021-02388-z
Ramesh, Sanat – Dall’Alba, Diego – Gonzalez, Cristians – Yu, Tong – Mascagni, Pietro – Mutter, Didier – Marescaux, Jacques – Fiorini, Paolo – Padoy, Nicolas (2023): Weakly supervised temporal convolutional networks for fine- grained surgical activity recognition, IEEE Transactions on Medical Imaging, 42 (9), 2592–2602. DOI: https://doi.org/10.1109/TMI.2023.3262847
Sridhar, Ashwin N. – Briggs, Tim P. – Kelly, John D. – Nathan, Senthil (2017): Training in robotic surgery – an overview, Current Urology Reports, 18 (58), 1–8. DOI: https://doi.org/10.1007/s11934-017-0710-y
Takeuchi, Masashi – Kawakubo, Hirofumi – Tsuji, Takayuki – Maeda, Yusuke – Matsuda, Satoru et al. (2023): Evaluation of surgical complexity by automated surgical process recognition in robotic distal gastrectomy using artificial intelligence, Surgical Endoscopy, 37, 4517–4524. DOI: https://doi.org/10.1007/ s00464-023-09924-9
Twinanda, Andru P. – Shehata, Sherif – Mutter, Didier – Marescaux, Jacques – De Mathelin, Michel – Padoy, Nicolas (2016): Endonet: A deep architecture for recognition tasks on laparoscopic videos, IEEE Transactions on Medical Imaging, 36 (1), 86–97. DOI: https://doi.org/10.1109/TMI.2016.2593957