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

25.10.2019 | Telemedizin | Leitthema

Künstliche Intelligenz in der Kinderchirurgie

Gegenwart und Zukunft

verfasst von: Dr. med. Jan Gödeke, FEBPS, Univ.-Prof. Dr. med. Oliver Muensterer, S. Rohleder

Erschienen in: Die Chirurgie | Ausgabe 3/2020

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Künstliche Intelligenz, Automatisierung und digitale Transformation dominieren zunehmend die Prozesse in nahezu allen Branchen. Auch die Medizin und die Medizinindustrie in Deutschland verschließen sich dieser Entwicklung nicht mehr, denn mitunter werden die Vorteile erkannt, die neue Gedankenspiele und neue Prozesse auch in der Medizin, und speziell in einem so überschaubaren Fachgebiet wie der Kinderchirurgie, bieten.

Ziel der Arbeit

Erhebung einer Status-quo-Analyse künstlicher Intelligenz in der internationalen Kinderchirurgie mit Diskussion von Zukunftsperspektiven und Ratschlägen aus Autorensicht.

Material und Methoden

Auswertung und Diskussion internationaler Publikationen, externer Expertenempfehlungen und persönlicher Erfahrungen der Autoren.

Ergebnisse

Die internationalen Erfahrungen mit Anwendungen künstlicher Intelligenz in der Chirurgie sind mittlerweile sehr vielfältig. Viele dieser Entwicklungen können auch kinderchirurgisch genutzt und weiterentwickelt werden. Die Erfahrungen mit speziellen kinderchirurgischen Entwicklungen im Bereich künstlicher Intelligenz beschränken sich jedoch bis dato noch auf Einzelfälle.

Schlussfolgerung

Auch die Kinderchirurgie darf sich dem Trend zu Anwendungen künstlicher Intelligenz im Arbeitsalltag nicht verschließen. Zusätzlich zur Etablierung allgemeiner vorhandener Entwicklungen sollten die speziellen kinderchirurgischen Anforderungen in zukünftigen Forschungsprojekten Beachtung finden. Mitunter hierzu wurde im September 2019 die Arbeitsgemeinschaft „Digitalisierung“ der Deutschen Gesellschaft für Kinderchirurgie gegründet.
Literatur
1.
Zurück zum Zitat Deo RC (2015) Machine learning in medicine. Circulation 132(20):1920–1930CrossRef Deo RC (2015) Machine learning in medicine. Circulation 132(20):1920–1930CrossRef
2.
Zurück zum Zitat Sutton RS, Barto AG (1998) Introduction to reinforcement learning. MIT Press, CambridgeCrossRef Sutton RS, Barto AG (1998) Introduction to reinforcement learning. MIT Press, CambridgeCrossRef
3.
Zurück zum Zitat Soguero-Ruiz C, Fei WM, Jenssen R et al (2015) Data-driven temporal prediction of surgical site infection. AMIA Annu Symp Proc 2015:1164–1173PubMedPubMedCentral Soguero-Ruiz C, Fei WM, Jenssen R et al (2015) Data-driven temporal prediction of surgical site infection. AMIA Annu Symp Proc 2015:1164–1173PubMedPubMedCentral
4.
Zurück zum Zitat Bergquist S, Brooks G, Keating N et al (2017) Classifying lung cancer severity with ensemble machine learning in health care claims data. Proc Mach Learn Res 68:25–38PubMedPubMedCentral Bergquist S, Brooks G, Keating N et al (2017) Classifying lung cancer severity with ensemble machine learning in health care claims data. Proc Mach Learn Res 68:25–38PubMedPubMedCentral
5.
Zurück zum Zitat Muensterer OJ, Waldron S, Boo YJ et al (2017) Multiphoton microscopy: a novel diagnostic method for solid tumors in a prospective pediatric oncologic cohort, an experimental study. Int J Surg 48:128–133CrossRef Muensterer OJ, Waldron S, Boo YJ et al (2017) Multiphoton microscopy: a novel diagnostic method for solid tumors in a prospective pediatric oncologic cohort, an experimental study. Int J Surg 48:128–133CrossRef
6.
Zurück zum Zitat Goedeke J, Schreiber P, Seidmann L et al (2019) Multiphoton microscopy in the diagnostic assessment of pediatric solid tissue in comparison to conventional histopathology: results of the first international online interobserver trial. Cancer Manag Res 11:3655–3667CrossRef Goedeke J, Schreiber P, Seidmann L et al (2019) Multiphoton microscopy in the diagnostic assessment of pediatric solid tissue in comparison to conventional histopathology: results of the first international online interobserver trial. Cancer Manag Res 11:3655–3667CrossRef
8.
Zurück zum Zitat Hindelang B, Aguirre J, Schwarz M et al (2019) Non-invasive imaging in dermatology and the unique potential of raster-scan optoacoustic mesoscopy. J Eur Acad Dermatol Venereol 33(6):1051–1061CrossRef Hindelang B, Aguirre J, Schwarz M et al (2019) Non-invasive imaging in dermatology and the unique potential of raster-scan optoacoustic mesoscopy. J Eur Acad Dermatol Venereol 33(6):1051–1061CrossRef
9.
Zurück zum Zitat Hinton GE, Osindero S, Teh Y‑W (2006) A fast learning algorithm for deep belief nets. Neural Comput 18(7):1527–1554CrossRef Hinton GE, Osindero S, Teh Y‑W (2006) A fast learning algorithm for deep belief nets. Neural Comput 18(7):1527–1554CrossRef
10.
Zurück zum Zitat Modifi R, Duff MD, Madhavan KK et al (2007) Identification of severe acute pancreatitis using an artificial neural network. Surgery 141:59–66CrossRef Modifi R, Duff MD, Madhavan KK et al (2007) Identification of severe acute pancreatitis using an artificial neural network. Surgery 141:59–66CrossRef
11.
Zurück zum Zitat Di Russo SM, Chahine AA, Sullivan T et al (2002) Development of a model for prediction of survival in pediatric trauma patients: comparison of artificial neural networks and logistic regression. J Pediatr Surg 37(7):1098–1104CrossRef Di Russo SM, Chahine AA, Sullivan T et al (2002) Development of a model for prediction of survival in pediatric trauma patients: comparison of artificial neural networks and logistic regression. J Pediatr Surg 37(7):1098–1104CrossRef
13.
Zurück zum Zitat Nadkarni PM, Ohno-Machado L, Chapman WW (2011) Natural language processing: an introduction. J Am Med Inform Assoc 18(5):544–551CrossRef Nadkarni PM, Ohno-Machado L, Chapman WW (2011) Natural language processing: an introduction. J Am Med Inform Assoc 18(5):544–551CrossRef
14.
Zurück zum Zitat Cohen KB, Glass B, Greiner HM et al (2016) Methodological issues in predicting pediatric epilepsy surgery candidates through natural language processing and machine learning. Biomed Inform Insights 8:11–18CrossRef Cohen KB, Glass B, Greiner HM et al (2016) Methodological issues in predicting pediatric epilepsy surgery candidates through natural language processing and machine learning. Biomed Inform Insights 8:11–18CrossRef
18.
Zurück zum Zitat Friedman C, Shagina L, Lussier Y et al (2004) Automated encoding of clinical documents based on natural language processing. J Am Med Inform Assoc 11(5):392–402CrossRef Friedman C, Shagina L, Lussier Y et al (2004) Automated encoding of clinical documents based on natural language processing. J Am Med Inform Assoc 11(5):392–402CrossRef
19.
Zurück zum Zitat Egmont-Petersen M, de Ridder D, Handels H (2002) Image processing with neural networks—a review. Pattern Recognit 35(10):2279–2301CrossRef Egmont-Petersen M, de Ridder D, Handels H (2002) Image processing with neural networks—a review. Pattern Recognit 35(10):2279–2301CrossRef
20.
Zurück zum Zitat Kenngott HG, Wagner M, Nickel F et al (2015) Computer-assisted abdominal surgery: new technologies. Langenbecks Arch Surg 400(3):273–281CrossRef Kenngott HG, Wagner M, Nickel F et al (2015) Computer-assisted abdominal surgery: new technologies. Langenbecks Arch Surg 400(3):273–281CrossRef
21.
Zurück zum Zitat Bonrath EM, Gordon LE, Grantcharov TP (2015) Characterising “near miss” events in complex laparoscopic surgery through video analysis. BMJ Qual Saf 24(8):516–521CrossRef Bonrath EM, Gordon LE, Grantcharov TP (2015) Characterising “near miss” events in complex laparoscopic surgery through video analysis. BMJ Qual Saf 24(8):516–521CrossRef
22.
Zurück zum Zitat Grenda TR, Pradarelli JC, Dimick JB (2016) Using surgical video to improve technique and skill. Ann Surg 264(1):32–33CrossRef Grenda TR, Pradarelli JC, Dimick JB (2016) Using surgical video to improve technique and skill. Ann Surg 264(1):32–33CrossRef
23.
Zurück zum Zitat Sikka K, Ahmed AA, Diaz D et al (2015) Automated assessment of children’s postoperative pain using computer vision. Pediatr Electron Pages 136(1):e124–e131 Sikka K, Ahmed AA, Diaz D et al (2015) Automated assessment of children’s postoperative pain using computer vision. Pediatr Electron Pages 136(1):e124–e131
25.
Zurück zum Zitat Austin PC, Tu JV, Lee DS (2010) Logistic regression had superior performance compared with regression trees for predicting in-hospital mortality in patients hospitalized with heart failure. J Clin Epidemiol 63(10):1145–1155CrossRef Austin PC, Tu JV, Lee DS (2010) Logistic regression had superior performance compared with regression trees for predicting in-hospital mortality in patients hospitalized with heart failure. J Clin Epidemiol 63(10):1145–1155CrossRef
26.
Zurück zum Zitat Bellman RE (2015) Adaptive control processes: a guided tour. Princeton University Press, Princeton Bellman RE (2015) Adaptive control processes: a guided tour. Princeton University Press, Princeton
27.
Zurück zum Zitat Hopewell S, Loudon K, Clarke MJ et al (2009) Publication bias in clinical trials due to statistical significance or direction of trial results. Cochrane Database Syst Rev 1:MR6 Hopewell S, Loudon K, Clarke MJ et al (2009) Publication bias in clinical trials due to statistical significance or direction of trial results. Cochrane Database Syst Rev 1:MR6
28.
Zurück zum Zitat Sussillo D, Barak O (2013) Opening the black box: low-dimensional dynamics in high-dimensional recurrent neural networks. Neural Comput 25(3):626–649CrossRef Sussillo D, Barak O (2013) Opening the black box: low-dimensional dynamics in high-dimensional recurrent neural networks. Neural Comput 25(3):626–649CrossRef
29.
Zurück zum Zitat Cabitza F, Rasoini R, Gensini GF (2017) Unintended consequences of machine learning in medicine. JAMA 318(6):517–518CrossRef Cabitza F, Rasoini R, Gensini GF (2017) Unintended consequences of machine learning in medicine. JAMA 318(6):517–518CrossRef
Metadaten
Titel
Künstliche Intelligenz in der Kinderchirurgie
Gegenwart und Zukunft
verfasst von
Dr. med. Jan Gödeke, FEBPS
Univ.-Prof. Dr. med. Oliver Muensterer
S. Rohleder
Publikationsdatum
25.10.2019
Verlag
Springer Medizin
Erschienen in
Die Chirurgie / Ausgabe 3/2020
Print ISSN: 2731-6971
Elektronische ISSN: 2731-698X
DOI
https://doi.org/10.1007/s00104-019-01051-3

Weitere Artikel der Ausgabe 3/2020

Der Chirurg 3/2020 Zur Ausgabe

Wie erfolgreich ist eine Re-Ablation nach Rezidiv?

23.04.2024 Ablationstherapie Nachrichten

Nach der Katheterablation von Vorhofflimmern kommt es bei etwa einem Drittel der Patienten zu Rezidiven, meist binnen eines Jahres. Wie sich spätere Rückfälle auf die Erfolgschancen einer erneuten Ablation auswirken, haben Schweizer Kardiologen erforscht.

Hinter dieser Appendizitis steckte ein Erreger

23.04.2024 Appendizitis Nachrichten

Schmerzen im Unterbauch, aber sonst nicht viel, was auf eine Appendizitis hindeutete: Ein junger Mann hatte Glück, dass trotzdem eine Laparoskopie mit Appendektomie durchgeführt und der Wurmfortsatz histologisch untersucht wurde.

Mehr Schaden als Nutzen durch präoperatives Aussetzen von GLP-1-Agonisten?

23.04.2024 Operationsvorbereitung Nachrichten

Derzeit wird empfohlen, eine Therapie mit GLP-1-Rezeptoragonisten präoperativ zu unterbrechen. Eine neue Studie nährt jedoch Zweifel an der Notwendigkeit der Maßnahme.

Ureterstriktur: Innovative OP-Technik bewährt sich

19.04.2024 EAU 2024 Kongressbericht

Die Ureterstriktur ist eine relativ seltene Komplikation, trotzdem bedarf sie einer differenzierten Versorgung. In komplexen Fällen wird dies durch die roboterassistierte OP-Technik gewährleistet. Erste Resultate ermutigen.

Update Chirurgie

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

S3-Leitlinie „Diagnostik und Therapie des Karpaltunnelsyndroms“

Karpaltunnelsyndrom BDC Leitlinien Webinare
CME: 2 Punkte

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“

Radiusfraktur BDC Leitlinien Webinare
CME: 2 Punkte

Das Webinar 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“

Appendizitis BDC Leitlinien Webinare
CME: 2 Punkte

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.