Inteligencia artificial en el reconocimiento de etapas en colecistectomía laparoscópica en vivo

Área de la Ciencia:

• Tecnología Quirúrgica
• Inteligencia Artificial en Medicina
• Análisis de Imágenes Médicas

Sus antecedentes:

• La colecistectomía laparoscópica es estándar para las cálculos biliares, pero persisten resultados de seguridad inconsistentes.
• La variabilidad en la adopción de la práctica quirúrgica afecta la seguridad del paciente.
• La inteligencia artificial (IA) presenta una oportunidad para estandarizar procedimientos y mejorar la seguridad a través del reconocimiento de etapas en tiempo real.

Objetivo del estudio:

• Evaluar la viabilidad y precisión de un sistema de IA para el reconocimiento en tiempo real de las etapas de la colecistectomía laparoscópica.
• Evaluar la concordancia de la IA con el juicio experto del cirujano.
• Explorar el potencial de la IA en la estandarización de procedimientos quirúrgicos y la mejora de la toma de decisiones.

Principales métodos:

• Estudio observacional prospectivo (febrero de 2023 - marzo de 2024) que involucra 141 videos de colecistectomía laparoscópica.
• Se entrenó una red neuronal ResNet-50 con 1841 imágenes anotadas que representan siete etapas quirúrgicas.
• El rendimiento de la IA se validó en videos no vistos y se probó en vivo en 10 cirugías, comparando la salida de la IA con cirujanos expertos.

Principales resultados:

• La precisión de la validación del modelo de IA varió del 80,15% al 91,74%.
• En pruebas en vivo, el sistema de IA logró un acuerdo del 100% con cirujanos expertos.
• La fase de disección se identificó como la etapa quirúrgica más larga; la velocidad de procesamiento en tiempo real fue de 1 a 2 fotogramas por segundo.

Conclusiones:

• El reconocimiento basado en IA de las etapas de la colecistectomía laparoscópica es factible y altamente preciso.
• Este enfoque de IA muestra un potencial significativo para la estandarización de procedimientos y la mejora de la toma de decisiones intraoperatorias.
• Se recomienda la validación multicéntrica para confirmar aún más la eficacia y generalizabilidad del sistema de IA.