Skip to main content
main-content
Erschienen in: Die Chirurgie 6/2019

13.02.2019 | Cholezystektomie | Aktuelles Thema

Modellgestützte Therapie in der Chirurgie

verfasst von: Dr. med. T. Vogel, N. Kohn, D. Ostler, N. Marahrens, N. Samm, A. Jell, M. Kranzfelder, D. Wilhelm, H. Friess, H. Feußner

Erschienen in: Die Chirurgie | Ausgabe 6/2019

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Das „magische Dreieck“ in der Chirurgie und anderen Fächern besteht aus der Forderung nach immer schonenderen Therapieformen, gleichzeitiger Kostenreduktion und dem prinzipiellen Primat der Verbesserung der Ergebnisqualität. Die Digitalisierung der Medizin bietet hierbei, auch im Sinne der „Chirurgie 4.0“, eine aussichtsreiche Chance, dem gerecht zu werden. Ziel ist hier die Schaffung einer kognitiven, kollaborativen Diagnose- und Therapieumgebung zur Unterstützung des Chirurgen.

Methode

Die Modellbildung bildet im Sinne eines „Theoriegebäudes“ für Analyse und Planung den Grundpfeiler einer modernen Therapieplanung. Hier soll vor allem zwischen Patientenmodell und Behandlungsmodell unterschieden werden. Auch der Ablauf der eigentlichen chirurgischen Behandlung kann modelliert werden: Prinzipiell ist es möglich, den Verlauf einer Operation so feingranular zu beschreiben, dass der Operationsablauf bis auf den einzelnen Einsatz einer Pinzette abgebildet und nachvollzogen werden kann. In Grundzügen ist dies bereits jetzt schon verwirklicht. Auch sog. „neuronale Netze“ eröffnen völlig neue Formen des Erkenntnisgewinns, des maschinellen Lernens und der flexiblen Reaktion auf alle fast nur denkbaren Möglichkeiten in hochkomplexen Abläufen.

Schlussfolgerung

„Digitalisierung“ stellt eine notwendige Entwicklung in der Chirurgie dar. Sie bietet nicht nur unzählige Möglichkeiten der Unterstützung des Chirurgen in seinem Tätigkeitsfeld, sondern auch die Chance der exakteren Datenerfassung im Hinblick auf die akademische Chirurgie. Die Modellbildung ist hierbei unverzichtbarer Bestandteil und muss hierzu stringent durchgeführt und weiterentwickelt werden.
Literatur
1.
Zurück zum Zitat Bouarfa L, Schneider A, Feussner H et al (2011) Prediction of intraoperative complexity from preoperative patient data for laparoscopic cholecystectomy. Artif Intell Med 52:169–176 CrossRef Bouarfa L, Schneider A, Feussner H et al (2011) Prediction of intraoperative complexity from preoperative patient data for laparoscopic cholecystectomy. Artif Intell Med 52:169–176 CrossRef
2.
Zurück zum Zitat Feußner H, Ostler D, Kohn N et al (2016) Umfassende Systemintegration und Vernetzung im Operationssaal. Chirurg 87:1002–1007 CrossRef Feußner H, Ostler D, Kohn N et al (2016) Umfassende Systemintegration und Vernetzung im Operationssaal. Chirurg 87:1002–1007 CrossRef
3.
Zurück zum Zitat Feußner H, Wilhelm D (2016) Minimalinvasive Chirurgie und „robotic surgery“: Chirurgie 4.0? Chirurg 87:189–194 CrossRef Feußner H, Wilhelm D (2016) Minimalinvasive Chirurgie und „robotic surgery“: Chirurgie 4.0? Chirurg 87:189–194 CrossRef
4.
Zurück zum Zitat Korman MG (1990) Helicobacter pylori: fact or fiction? Scand J Gastroenterol Suppl 175:159–165 CrossRef Korman MG (1990) Helicobacter pylori: fact or fiction? Scand J Gastroenterol Suppl 175:159–165 CrossRef
5.
Zurück zum Zitat Lalys F, Jannin P (2014) Surgical process modelling: a review. Int J Comput Assist Radiol Surg 9:495–511 CrossRef Lalys F, Jannin P (2014) Surgical process modelling: a review. Int J Comput Assist Radiol Surg 9:495–511 CrossRef
6.
Zurück zum Zitat Lin HC, Shafran I, Yuh D et al (2006) Towards automatic skill evaluation: detection and segmentation of robot-assisted surgical motions. Comput Aided Surg 11:220–230 CrossRef Lin HC, Shafran I, Yuh D et al (2006) Towards automatic skill evaluation: detection and segmentation of robot-assisted surgical motions. Comput Aided Surg 11:220–230 CrossRef
7.
Zurück zum Zitat Lippmann HG, Kaiser S, Abdel-Haq A et al (2014) Biomedizinische Technik-Faszination, Einführung, Überblick. De Gruyter, Berlin Lippmann HG, Kaiser S, Abdel-Haq A et al (2014) Biomedizinische Technik-Faszination, Einführung, Überblick. De Gruyter, Berlin
8.
Zurück zum Zitat Stauder RAO, Loïc P, Schneider A, Kranzfelder M, Feussner H, Nassir Navab (2014) Random forests for phase detection in surgical workflow analysis. Information Processing in Computer-Assisted Interventions, Bd. 8498, S 148–157 Stauder RAO, Loïc P, Schneider A, Kranzfelder M, Feussner H, Nassir Navab (2014) Random forests for phase detection in surgical workflow analysis. Information Processing in Computer-Assisted Interventions, Bd. 8498, S 148–157
9.
Zurück zum Zitat Silver D, Huang A, Maddison CJ et al (2016) Mastering the game of Go with deep neural networks and tree search. Nature 529:484–489 CrossRef Silver D, Huang A, Maddison CJ et al (2016) Mastering the game of Go with deep neural networks and tree search. Nature 529:484–489 CrossRef
10.
Zurück zum Zitat Silver D, Schrittwieser J, Simonyan K et al (2017) Mastering the game of go without human knowledge. Nature 550:354 CrossRef Silver D, Schrittwieser J, Simonyan K et al (2017) Mastering the game of go without human knowledge. Nature 550:354 CrossRef
11.
Metadaten
Titel
Modellgestützte Therapie in der Chirurgie
verfasst von
Dr. med. T. Vogel
N. Kohn
D. Ostler
N. Marahrens
N. Samm
A. Jell
M. Kranzfelder
D. Wilhelm
H. Friess
H. Feußner
Publikationsdatum
13.02.2019
Verlag
Springer Medizin
Schlagwort
Cholezystektomie
Erschienen in
Die Chirurgie / Ausgabe 6/2019
Print ISSN: 2731-6971
Elektronische ISSN: 2731-698X
DOI
https://doi.org/10.1007/s00104-019-0815-6