Video Experimental Relacionado
Updated: Jan 13, 2026
Investigation of the Electrophysiological and Thermographic Safety Parameters of Surgical Energy Devices During Thyroid and Parathyroid Surgery in a Porcine Model
Published on: October 13, 2022
Aplicación del aprendizaje profundo para la clasificación automatizada de ondas electromiográficas para
Thomas J Musholt1, Petra B Musholt1, Tobias Kortus2
1Section of Endocrine Surgery, Department of General, Visceral and Transplantation Surgery, University Medical Center Mainz, Mainz, Germany.
Una nueva red neuronal convolucional identifica con precisión las señales electromiográficas mal etiquetadas durante la cirugía, mejorando la calidad de los datos de monitorización nerviosa. Esta herramienta de IA ayuda a prevenir errores en tiempo real, mejorando la seguridad del paciente en procedimientos tiroideos.
Área de la Ciencia:
- Neurocirugía
- Inteligencia Artificial
- Procesamiento de Señales
Sus antecedentes:
- El neuromonitoreo intraoperatorio es crucial para la cirugía de (para)tiroides, e implica el registro de señales electromiográficas.
- Los cirujanos etiquetan manualmente las señales nerviosas, pero una tasa de etiquetado erróneo del 20% plantea riesgos.
- Se necesita la detección automatizada de errores para mejorar la precisión de los datos y la seguridad del paciente.
Objetivo del estudio:
- Desarrollar una red neuronal convolucional (CNN) monotarea unidimensional para la detección automatizada de señales electromiográficas mal etiquetadas.
- Mejorar la fiabilidad de los datos de neuromonitoreo intraoperatorio a través de alertas de error impulsadas por IA.
Principales métodos:
- Se utilizó el software MIONQA para la corrección de datos brutos de neuromonitoreo intraoperatorio.
- Se extrajeron señales electromiográficas etiquetadas y se incorporaron metadatos para el entrenamiento de la CNN.
- Se entrenaron, validaron y probaron varias CNN utilizando entre 150 y 280 características extraídas.
Principales resultados:
- La CNN optimizada logró una alta precisión: 95,72% para la identificación de nervios, 97,68% para la predicción del lado del cuerpo y 97,61% para la clasificación del punto de tiempo de estimulación.
- Entrenada con 11.414 electromiogramas y probada con 4.891, demostrando un rendimiento robusto.
- Se logró un excelente área bajo la curva de 0,993 para la clasificación de la señal pico electromiográfico.
Conclusiones:
- La CNN desarrollada clasifica con precisión las señales electromiográficas, lo que permite la identificación y corrección automatizadas de datos mal etiquetados.
- La mejora de la calidad de los datos es vital para entrenar la IA en neuromonitoreo, permitiendo alertas en tiempo real a los cirujanos.
- El trabajo futuro se centrará en escenarios clínicos más amplios y conjuntos de datos externos para optimizar la herramienta para la aplicación clínica.
