Precision in practice: exploring the impact of ai and machine learning on ultrasound guided regional anaesthesia
- 1. Shaukat Khanum Memorial Cancer Hospital and Research Center
- 2. Allama Iqbal Medical College
- 3. King Edward Medical University
Description
Ultrasound Guided Regional Anaesthesia (UGRA) is a commonly utilized practice in both elective and emergency situations during surgical procedures and for pain management. Its benefits include, being non-invasive, cost-effective, readily accessible, and providing the anaesthetist with clear visualization of essential anatomical landmarks, needle progression, and the spread of local anaesthetic. Ultrasonography has been shown to increase success rates for regional anaesthesia and decrease complications. One of the critical steps during UGRA is identifying relevant anatomical structures like nerves or vertebras. However, this aspect can be hindered by external influences such as variations in nerve structure and position, interference from noise, and positional instability. Machine learning is a promising branch of artificial intelligence. It is used to conduct predictive tasks without programming instructions by creating algorithms. Extensive research has been conducted to evaluate the influence of machine learning on innovative anaesthesia methods. In 2023, Lopez et al. published a systematic review on how Artificial Intelligence could positively impact traditional anaesthesia practices.1 Various studies included in the review employed different models to achieve variable targets during the induction of anaesthesia. In one experiment, Alkhatib et al. used Convolutional neural network (CNN) based deep trackers to track the median and sciatic nerve with a surprising accuracy of 0.87.2 Another study employed the same CNN model to locate and discriminate accurate images of sacrum, vertebral levels and intervertebral gaps during percutaneous spinal needle insertion.3 Another study used a different AI model called SVM (support vector machine) classification, image processing, and template matching to locate lumbar level L3-L4 and the ideal puncture site for epidural anaesthesia in real-time. In this experiment, anaesthetists with minimal experience in ultrasonography were able to successfully determine needle puncture sites accurately.4 All these studies utilizing AI models not only yielded beneficial results but also led to significant time savings. Considering this, anaesthesiologists nationwide must integrate effective AI models to improve their clinical practice. This would minimize adverse outcomes in regional anaesthesia and ultimately enhance patient care and satisfaction.
Translated Descriptions
Translated Description (Arabic)
التخدير الناحي الموجه بالموجات فوق الصوتية (UGRA) هو ممارسة شائعة الاستخدام في كل من الحالات الاختيارية والطارئة أثناء العمليات الجراحية وإدارة الألم. وتشمل فوائدها، كونها غير جراحية، وفعالة من حيث التكلفة، ويمكن الوصول إليها بسهولة، وتزويد طبيب التخدير برؤية واضحة للمعالم التشريحية الأساسية، وتطور الإبرة، وانتشار التخدير الموضعي. وقد تبين أن التصوير بالموجات فوق الصوتية يزيد من معدلات نجاح التخدير الناحي ويقلل من المضاعفات. تتمثل إحدى الخطوات الحاسمة أثناء اختبار UGRA في تحديد الهياكل التشريحية ذات الصلة مثل الأعصاب أو الفقرات. ومع ذلك، يمكن إعاقة هذا الجانب من خلال التأثيرات الخارجية مثل الاختلافات في بنية وموضع العصب، والتداخل من الضوضاء، وعدم الاستقرار الموضعي. التعلم الآلي هو فرع واعد من الذكاء الاصطناعي. يتم استخدامه لإجراء المهام التنبؤية دون تعليمات البرمجة من خلال إنشاء خوارزميات. تم إجراء بحث مكثف لتقييم تأثير التعلم الآلي على طرق التخدير المبتكرة. في عام 2023، نشر لوبيز وآخرون مراجعة منهجية حول كيفية تأثير الذكاء الاصطناعي بشكل إيجابي على ممارسات التخدير التقليدية .1 استخدمت الدراسات المختلفة المدرجة في المراجعة نماذج مختلفة لتحقيق أهداف متغيرة أثناء تحريض التخدير. في إحدى التجارب، استخدم الخطيب وآخرون أجهزة تتبع عميقة تعتمد على الشبكة العصبية الالتفافية (CNN) لتتبع العصب المتوسط والعصب الوركي بدقة مدهشة تبلغ 0.87.2 استخدمت دراسة أخرى نفس نموذج CNN لتحديد وتمييز الصور الدقيقة للعجز ومستويات العمود الفقري والفجوات بين الفقرات أثناء إدخال إبرة العمود الفقري عن طريق الجلد. استخدمت دراسة أخرى نموذجًا مختلفًا للذكاء الاصطناعي يسمى تصنيف SVM (آلة ناقل الدعم) ومعالجة الصور ومطابقة القالب لتحديد موقع المستوى القطني L3 - L4 وموقع البزل المثالي للتخدير فوق الجافية في الوقت الفعلي. في هذه التجربة، تمكن أطباء التخدير ذوو الحد الأدنى من الخبرة في التصوير بالموجات فوق الصوتية من تحديد مواقع ثقب الإبرة بدقة. 4 لم تسفر كل هذه الدراسات التي تستخدم نماذج الذكاء الاصطناعي عن نتائج مفيدة فحسب، بل أدت أيضًا إلى توفير كبير في الوقت. بالنظر إلى ذلك، يجب على أطباء التخدير في جميع أنحاء البلاد دمج نماذج الذكاء الاصطناعي الفعالة لتحسين ممارساتهم السريرية. وهذا من شأنه أن يقلل من النتائج السلبية في التخدير الناحي ويعزز في نهاية المطاف رعاية المرضى ورضاهم.Translated Description (French)
L'anesthésie régionale guidée par ultrasons (UGRA) est une pratique couramment utilisée dans les situations électives et d'urgence pendant les procédures chirurgicales et pour la gestion de la douleur. Ses avantages comprennent le fait d'être non invasif, rentable, facilement accessible et de fournir à l'anesthésiste une visualisation claire des repères anatomiques essentiels, de la progression de l'aiguille et de la propagation de l'anesthésie locale. Il a été démontré que l'échographie augmentait les taux de réussite de l'anesthésie régionale et diminuait les complications. L'une des étapes critiques de l'UGRA consiste à identifier les structures anatomiques pertinentes telles que les nerfs ou les vertèbres. Cependant, cet aspect peut être entravé par des influences externes telles que des variations dans la structure et la position des nerfs, l'interférence du bruit et l'instabilité de la position. L'apprentissage automatique est une branche prometteuse de l'intelligence artificielle. Il est utilisé pour effectuer des tâches prédictives sans instructions de programmation en créant des algorithmes. Des recherches approfondies ont été menées pour évaluer l'influence de l'apprentissage automatique sur les méthodes d'anesthésie innovantes. En 2023, Lopez et al. ont publié une revue systématique sur la façon dont l'intelligence artificielle pourrait avoir un impact positif sur les pratiques d'anesthésie traditionnelles.1 Diverses études incluses dans la revue ont utilisé différents modèles pour atteindre des cibles variables pendant l'induction de l'anesthésie. Dans une expérience, Alkhatib et al. ont utilisé des traqueurs profonds basés sur le réseau neuronal convolutionnel (CNN) pour suivre la médiane et le nerf sciatique avec une précision surprenante de 0,87.2 Une autre étude a utilisé le même modèle CNN pour localiser et discriminer des images précises du sacrum, des niveaux vertébraux et des espaces intervertébraux lors de l'insertion d'une aiguille vertébrale percutanée.3 Une autre étude a utilisé un modèle d'IA différent appelé classification SVM (machine à vecteur de soutien), traitement d'image et correspondance de modèle pour localiser le niveau lombaire L3-L4 et le site de ponction idéal pour l'anesthésie péridurale en temps réel. Dans cette expérience, les anesthésistes ayant une expérience minimale en échographie ont réussi à déterminer avec précision les sites de ponction à l'aiguille.4 Toutes ces études utilisant des modèles d'IA ont non seulement donné des résultats bénéfiques, mais ont également permis de gagner du temps. Compte tenu de cela, les anesthésistes à l'échelle nationale doivent intégrer des modèles d'IA efficaces pour améliorer leur pratique clinique. Cela permettrait de minimiser les effets indésirables de l'anesthésie régionale et, en fin de compte, d'améliorer les soins et la satisfaction des patients.Translated Description (Spanish)
La anestesia regional guiada por ultrasonido (UGRA) es una práctica comúnmente utilizada tanto en situaciones electivas como de emergencia durante procedimientos quirúrgicos y para el manejo del dolor. Sus beneficios incluyen ser no invasivo, rentable, de fácil acceso y proporcionar al anestesista una visualización clara de los puntos de referencia anatómicos esenciales, la progresión de la aguja y la propagación de la anestesia local. Se ha demostrado que la ecografía aumenta las tasas de éxito de la anestesia regional y disminuye las complicaciones. Uno de los pasos críticos durante la UGRA es identificar estructuras anatómicas relevantes como nervios o vértebras. Sin embargo, este aspecto puede verse obstaculizado por influencias externas como variaciones en la estructura y posición del nervio, interferencia del ruido e inestabilidad posicional. El aprendizaje automático es una rama prometedora de la inteligencia artificial. Se utiliza para realizar tareas predictivas sin instrucciones de programación mediante la creación de algoritmos. Se ha llevado a cabo una amplia investigación para evaluar la influencia del aprendizaje automático en los métodos de anestesia innovadores. En 2023, López et al. publicaron una revisión sistemática sobre cómo la Inteligencia Artificial podría tener un impacto positivo en las prácticas de anestesia tradicionales.1 Varios estudios incluidos en la revisión emplearon diferentes modelos para lograr objetivos variables durante la inducción de la anestesia. En un experimento, Alkhatib et al. utilizaron rastreadores profundos basados en redes neuronales convolucionales (CNN) para rastrear la mediana y el nervio ciático con una precisión sorprendente de 0.87.2 Otro estudio empleó el mismo modelo de CNN para localizar y discriminar imágenes precisas del sacro, los niveles vertebrales y las brechas intervertebrales durante la inserción percutánea de la aguja espinal.3 Otro estudio utilizó un modelo de IA diferente llamado clasificación SVM (máquina de vectores de soporte), procesamiento de imágenes y coincidencia de plantillas para localizar el nivel lumbar L3-L4 y el sitio de punción ideal para la anestesia epidural en tiempo real. En este experimento, los anestesistas con experiencia mínima en ultrasonografía pudieron determinar con éxito los sitios de punción con aguja con precisión.4 Todos estos estudios que utilizan modelos de IA no solo produjeron resultados beneficiosos, sino que también generaron un ahorro de tiempo significativo. Teniendo esto en cuenta, los anestesiólogos de todo el país deben integrar modelos efectivos de IA para mejorar su práctica clínica. Esto minimizaría los resultados adversos en la anestesia regional y, en última instancia, mejoraría la atención y la satisfacción del paciente.Additional details
Additional titles
- Translated title (Arabic)
- الدقة في الممارسة العملية: استكشاف تأثير الذكاء الاصطناعي والتعلم الآلي على التخدير الناحي الموجه بالموجات فوق الصوتية
- Translated title (French)
- Précision dans la pratique : explorer l'impact de l'IA et de l'apprentissage automatique sur l'anesthésie régionale guidée par ultrasons
- Translated title (Spanish)
- La precisión en la práctica: explorar el impacto de la IA y el aprendizaje automático en la anestesia regional guiada por ultrasonido
Identifiers
- Other
- https://openalex.org/W4400199637
- DOI
- 10.47391/jpma.20467
References
- https://openalex.org/W2537470923
- https://openalex.org/W2604009228
- https://openalex.org/W2955014367
- https://openalex.org/W4387847932