Skip to main content
Erschienen in: Der Chirurg 3/2020

09.01.2020 | Künstliche Intelligenz | Leitthema

Künstliche Intelligenz in der Orthopädie und Unfallchirurgie

verfasst von: T. Tjardes, R. A. Heller, D. Pförringer, R. Lohmann, Oberfeldarzt PD Dr. David A. Back, AG Digitalisierung der DGOU

Erschienen in: Die Chirurgie | Ausgabe 3/2020

Einloggen, um Zugang zu erhalten

Zusammenfassung

Künstliche Intelligenz (KI) ist ein sehr relevantes Thema für die Medizin der Zukunft. Dieser Artikel beleuchtet das Thema KI im Kontext der Orthopädie und Unfallchirurgie. Im Schwerpunkt werden KI-Potenziale bei der Analyse von Symptomen, radiologischen Bildern, klinischen Datensätzen, der Verwendung in Klinik und im Operationssaal sowie für die Aus- und Weiterbildung beleuchtet. KI ist für die Orthopädie und Unfallchirurgie der Zukunft weit mehr als reine Fiktion. Es ist aber noch ein weiter Weg, um das Potenzial einer optimierten und individualisierten Patientenversorgung zu nutzen. Interdisziplinäre und internationale Ansätze unter Einbezug personeller, ökonomischer, rechtlicher und ethischer Aspekte werden hierzu von entscheidender Bedeutung sein.
Literatur
2.
Zurück zum Zitat Chung SW, Han SS, Lee JW et al (2018) Automated detection and classification of the proximal humerus fracture by using deep learning algorithm. Acta Orthop 89:468–473CrossRef Chung SW, Han SS, Lee JW et al (2018) Automated detection and classification of the proximal humerus fracture by using deep learning algorithm. Acta Orthop 89:468–473CrossRef
3.
Zurück zum Zitat Ciolacu M, Tehrani AF, Binder L et al (2018) Education 4.0—artificial intelligence assisted higher education: early recognition system with machine learning to support students’ success. 2018 IEEE 24th International Symposium for Design and Technology in Electronic Packaging (SIITME), Iasi, Romania, 25-28 Oct. 2018 Ciolacu M, Tehrani AF, Binder L et al (2018) Education 4.0—artificial intelligence assisted higher education: early recognition system with machine learning to support students’ success. 2018 IEEE 24th International Symposium for Design and Technology in Electronic Packaging (SIITME), Iasi, Romania, 25-28 Oct. 2018
4.
Zurück zum Zitat Elkin PL, Schlegel DR, Anderson M et al (2018) Artificial intelligence: bayesian versus heuristic method for diagnostic decision support. Appl Clin Inform 9:432–439CrossRef Elkin PL, Schlegel DR, Anderson M et al (2018) Artificial intelligence: bayesian versus heuristic method for diagnostic decision support. Appl Clin Inform 9:432–439CrossRef
5.
Zurück zum Zitat Gyftopoulos S, Lin D, Knoll F et al (2019) Artificial intelligence in musculoskeletal imaging: current status and future directions. Ajr Am J Roentgenol 213:506–513CrossRef Gyftopoulos S, Lin D, Knoll F et al (2019) Artificial intelligence in musculoskeletal imaging: current status and future directions. Ajr Am J Roentgenol 213:506–513CrossRef
7.
Zurück zum Zitat Karnuta JM, Navarro SM, Haeberle HS et al (2019) Bundled care for hip fractures: a machine-learning approach to an untenable patient-specific payment model. J Orthop Trauma 33:324–330CrossRef Karnuta JM, Navarro SM, Haeberle HS et al (2019) Bundled care for hip fractures: a machine-learning approach to an untenable patient-specific payment model. J Orthop Trauma 33:324–330CrossRef
8.
Zurück zum Zitat Kendale S, Kulkarni P, Rosenberg AD et al (2018) Supervised machine-learning predictive analytics for prediction of postinduction hypotension. Anesthesiology 129:675–688CrossRef Kendale S, Kulkarni P, Rosenberg AD et al (2018) Supervised machine-learning predictive analytics for prediction of postinduction hypotension. Anesthesiology 129:675–688CrossRef
9.
Zurück zum Zitat Koren G, Souroujon D, Shaul R et al (2019) “A patient like me”—an algorithm-based program to inform patients on the likely conditions people with symptoms like theirs have. Medicine (Baltimore) 98:e17596CrossRef Koren G, Souroujon D, Shaul R et al (2019) “A patient like me”—an algorithm-based program to inform patients on the likely conditions people with symptoms like theirs have. Medicine (Baltimore) 98:e17596CrossRef
10.
Zurück zum Zitat Lindsey R, Daluiski A, Chopra S et al (2018) Deep neural network improves fracture detection by clinicians. Proc Natl Acad Sci U S A 115:11591–11596CrossRef Lindsey R, Daluiski A, Chopra S et al (2018) Deep neural network improves fracture detection by clinicians. Proc Natl Acad Sci U S A 115:11591–11596CrossRef
11.
Zurück zum Zitat Mcculloch WS, Pitts W (1943) A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics 5:115–133CrossRef Mcculloch WS, Pitts W (1943) A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics 5:115–133CrossRef
12.
13.
Zurück zum Zitat Ramkumar PN, Haeberle HS, Bloomfield MR et al (2019) Artificial intelligence and arthroplasty at a single institution: real-world applications of machine learning to big data, value-based care, mobile health, and remote patient monitoring. J Arthroplasty 34:2204–2209CrossRef Ramkumar PN, Haeberle HS, Bloomfield MR et al (2019) Artificial intelligence and arthroplasty at a single institution: real-world applications of machine learning to big data, value-based care, mobile health, and remote patient monitoring. J Arthroplasty 34:2204–2209CrossRef
14.
Zurück zum Zitat Staub BN, Sadrameli SS (2019) The use of robotics in minimally invasive spine surgery. J Spine Surg 5:S31–S40CrossRef Staub BN, Sadrameli SS (2019) The use of robotics in minimally invasive spine surgery. J Spine Surg 5:S31–S40CrossRef
15.
Zurück zum Zitat Tarpada SP, Morris MT, Burton DA (2016) E‑learning in orthopedic surgery training: a systematic review. J Orthop 13:425–430CrossRef Tarpada SP, Morris MT, Burton DA (2016) E‑learning in orthopedic surgery training: a systematic review. J Orthop 13:425–430CrossRef
16.
Zurück zum Zitat Weng SF, Reps J, Kai J et al (2017) Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLoS ONE 12:e174944CrossRef Weng SF, Reps J, Kai J et al (2017) Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLoS ONE 12:e174944CrossRef
Metadaten
Titel
Künstliche Intelligenz in der Orthopädie und Unfallchirurgie
verfasst von
T. Tjardes
R. A. Heller
D. Pförringer
R. Lohmann
Oberfeldarzt PD Dr. David A. Back
AG Digitalisierung der DGOU
Publikationsdatum
09.01.2020
Verlag
Springer Medizin
Erschienen in
Die Chirurgie / Ausgabe 3/2020
Print ISSN: 2731-6971
Elektronische ISSN: 2731-698X
DOI
https://doi.org/10.1007/s00104-019-01091-9

Weitere Artikel der Ausgabe 3/2020

Der Chirurg 3/2020 Zur Ausgabe

Update Chirurgie

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert.

S3-Leitlinie „Diagnostik und Therapie des Karpaltunnelsyndroms“

CME: 2 Punkte

Prof. Dr. med. Gregor Antoniadis Das Karpaltunnelsyndrom ist die häufigste Kompressionsneuropathie peripherer Nerven. Obwohl die Anamnese mit dem nächtlichen Einschlafen der Hand (Brachialgia parästhetica nocturna) sehr typisch ist, ist eine klinisch-neurologische Untersuchung und Elektroneurografie in manchen Fällen auch eine Neurosonografie erforderlich. Im Anfangsstadium sind konservative Maßnahmen (Handgelenksschiene, Ergotherapie) empfehlenswert. Bei nicht Ansprechen der konservativen Therapie oder Auftreten von neurologischen Ausfällen ist eine Dekompression des N. medianus am Karpaltunnel indiziert.

Prof. Dr. med. Gregor Antoniadis
Berufsverband der Deutschen Chirurgie e.V.

S2e-Leitlinie „Distale Radiusfraktur“

CME: 2 Punkte

Dr. med. Benjamin Meyknecht, PD Dr. med. Oliver Pieske Das Webinar S2e-Leitlinie „Distale Radiusfraktur“ beschäftigt sich mit Fragen und Antworten zu Diagnostik und Klassifikation sowie Möglichkeiten des Ausschlusses von Zusatzverletzungen. Die Referenten erläutern, welche Frakturen konservativ behandelt werden können und wie. Das Webinar beantwortet die Frage nach aktuellen operativen Therapiekonzepten: Welcher Zugang, welches Osteosynthesematerial? Auf was muss bei der Nachbehandlung der distalen Radiusfraktur geachtet werden?

PD Dr. med. Oliver Pieske
Dr. med. Benjamin Meyknecht
Berufsverband der Deutschen Chirurgie e.V.

S1-Leitlinie „Empfehlungen zur Therapie der akuten Appendizitis bei Erwachsenen“

CME: 2 Punkte

Dr. med. Mihailo Andric
Inhalte des Webinars zur S1-Leitlinie „Empfehlungen zur Therapie der akuten Appendizitis bei Erwachsenen“ sind die Darstellung des Projektes und des Erstellungswegs zur S1-Leitlinie, die Erläuterung der klinischen Relevanz der Klassifikation EAES 2015, die wissenschaftliche Begründung der wichtigsten Empfehlungen und die Darstellung stadiengerechter Therapieoptionen.

Dr. med. Mihailo Andric
Berufsverband der Deutschen Chirurgie e.V.