机器学习如何改善手术?

机器学习模型是一种最急切地采用了跨医疗技术。在他们的最近的报告AI,埃森哲预测医疗市场价值将达到66亿美元,到2021年,主要是由于机器人协助手术。事实上,人工智能的快速进化将很快允许机器学习模型来提高当前的外科实践。

有几个阶段的过程之前,期间和之后的外科手术,人工智能可以帮助(或处理器)。执行手术之前,卫生专家已完成决策和incision-planning阶段。有时,这些阶段需要作出困难的选择(多通道疗法,彻底与organ-preserving手术,手术的最佳时机,等等)。此外,专业人员可能需要可视化预期结果,当涉及到审美或重建手术。

此外,外科医生将为患者提供个性化的建议可能的风险,健康状况,全面复苏的机会。预测患者的立场取决于多个参数超出人类能力的连接,过程,和使用。在大多数情况下,健康专家和他们的病人将不得不满足于平均住院发病率,死亡率,和恢复数据。

在本文中,我们将回顾当前和即将到来的机器学习的应用程序烧伤外科手术和显微外科。

烧伤手术:评估和规划

医生治疗烧伤患者首先评估燃烧身体表面积。为此,医疗专家假设病人的手掌也占了大约1%的病人的身体。

●头部和颈部一起- 9%

●每个部门- 9%

●每条腿- 18%

●胸部和腹部- 18%

●回- 18%

●会阴- 1%

●大腿和腿- 18%(前后表面在一起)

虽然这些技术只是相对准确的开始,也可以受到伤害的不对称,病人年龄、和可变性在不同的专家的意见。然而,他们是用来评估死亡率风险,定义的频率和数量需要程序(IV,着装的变化,等等),并计划手术。

通过引入机器学习到燃烧区域检查,提供者可以消除意见的猜谜游戏,克服可变性在计算病人手术规划和风险后的复苏。算法可以评估燃烧表面积以及定义烧伤深度估计精度高的严重程度。这将允许外科医生更准确地计划组织移植。

这种方法是已经研究了台湾研究人员和被证明是相当成功的,用人工神经网络和反射光谱法评估烧伤深度和预测病人的健康状况。研究人员创建了一个模型,该模型能够预测是否受伤将或多或少比14天恢复准确率达到了86%。这比预测的视觉检查(50 - 75%),但一个小比的多普勒flowmetry (90%)。然而,后者有更高的成本和花费更多的时间,这使得谱基于机器学习的一种可行的选择。

显微外科:治疗后监测

假设病人的旅程还没结束后对其放电的护士他们说再见。终止期主要展现健康专家的控制之外。和并发症非常常见,否则美国医疗保险和医疗补助服务中心不会评估医疗组织的性能使用30 - 60天的再入院率。此外,患者出院后手术和发展有一个或多个并发症4倍增加重新接纳的风险。

帮助病人恢复成功之路从重新开始监控,可以显著提高机器学习的帮助下,SilpaRamanitor应用的创造者。这个应用程序允许检测早期吻合的失败或在经历了显微外科病人血栓性问题。

SilpaRamanitor的算法训练在智能手机的图像中间和索引的指尖。颜色的变化可能表明灌注异常。捕获的图像的算法分类分为三组:正常,流入流出阻塞,阻塞。如果应用程序标识一个闭塞,它还可以标记并发症的程度作为部分或完整。值得注意的是,解决方案实现了94%的敏感性,特异性98%,准确性95%。更好,因为应用程序可用于任何现代的智能手机,它会使术后监测显微手术后患者可行甚至在农村地区。

测量三次削减一次

我们着迷于如何机器学习模型拆解的新方法确保患者的最佳可能的结果预期手术或恢复后。虽然大多数的本文中提出的方法尚未完全采用在临床的设置,他们已经代表承诺所有关心点的精度与侵入性程序。从帮助病人尽快恢复严重烧伤,确保他们不会开发任何治疗后并发症——人类的外科医生和机器学习算法的协同听起来像它。

关于作者的信息

印加Shugalo是医疗行业分析师Itransition,一个定制的软件开发公司,总部位于科罗拉多州的丹佛市。她专注于医疗,突出行业挑战和解决这些问题的技术解决方案。印加的文章探讨诊断潜在的医疗物联网,机会精密医学、机器人和虚拟现实在医疗和更多。