通过机器学习和深度学习技术,最大限度地减少保留的外科器件的发生:一项审查

科学领域:

• 医学技术 医学技术 医学技术
• 医疗保健中的人工智能
• 患者安全 患者安全

背景情况:

• 保留的手术用品 (RSI) 是医疗保健中的重大风险,导致患者严重并发症.
• 目前预防RSI的方法在很大程度上依赖于人类的警,这可能容易出错.
• 迫切需要先进的解决方案来尽量减少RSI的发生率.

研究的目的:

• 审查和评估机器学习 (ML) 和深度学习 (DL) 在RSI的预防和诊断中的应用.
• 突出ML和DL在提高精度和减少人类参与RSI预防方面的潜力.
• 确定目前用于缓解RSI的ML和DL技术的关键发现,优势和局限性.

主要方法:

• 系统审查和评估最近发表的关于ML和DL应用RSIs的文章.
• 对用于训练RSI检测ML和DL模型的各种数据集的分析.
• 评估不同ML和DL技术的优点和局限性.

主要成果:

• ML和DL显示出提高RSI预防和诊断的准确性和效率的巨大潜力.
• ML和DL模型的有效性高度依赖于广泛的培训数据集的可用性和质量.
• 结合ML/DL和现有程序的多层次方法对于最佳的风险减轻至关重要.

结论:

• 将ML和DL整合到外科实践中可以大幅减少RSI的发生率.
• 这些先进技术为提高患者安全和提高外科护理标准提供了一条途径.
• 需要进一步的研究和开发,特别是数据集创建,才能充分发挥AI在RSI预防方面的潜力.