El futuro de la cirugía 2

Dr. Carlos Alberto Díaz.

Se presenta el segundo documento sobre el futuro de la cirugía en la referencia bibliográfica.

Es un título, muy amplio, pero para quienes somos gestores hospitalarios, queremos estratégicamente acortar el gap, entre lo que hacemos hoy y el futuro, o simplemente ir caminando despacio hacia él, no para diferenciarnos en gama de productos, sino en eficacia, efectividad, eficiencia, seguridad y calidad. Esa es nuestra responsabilidad, en sistemas sociales integrados y países pobres.

Los cirujanos realizan dos tareas principales y primarias: realizar operaciones e involucrar a pacientes y cuidadores en la toma de decisiones compartidas. Desafortunadamente, la destreza humana y la toma de decisiones son biológicamente limitadas. Los errores técnicos son la principal causa de daño prevenible en pacientes quirúrgicos; los errores de diagnóstico y juicio siguen en segundo lugar.¹ La habilidad del cirujano individual es altamente variable, la destreza motora fina se degrada con la edad y la fatiga, y las habilidades técnicas afectan los resultados del paciente.^{2, 3, 4, 5} Las limitaciones de tiempo y la incertidumbre imponen la dependencia de atajos cognitivos que conducen a errores de juicio, que los propios cirujanos identifican como la causa más común de errores importantes.

Las innovaciones en cirugía mínimamente invasiva y toma de decisiones quirúrgicas han mejorado las capacidades de los cirujanos para realizar operaciones y ejercer un juicio sólido.^{9, 10, 11, 12} A medida que las tecnologías mejoran, estas innovaciones dependen menos de la aportación humana y más de las máquinas inteligentes y autónomas, es decir, de los sistemas informáticos que aprenden a realizar tareas humanas y funciones cognitivas con cierto grado de independencia.^13,14 Actualmente, las máquinas inteligentes pueden realizar tareas manuales y tomar decisiones con una eficacia notable.^{15, 16, 17, 18} La historia sugiere que estas habilidades seguirán mejorando.¹⁹ Si llega un momento en que las máquinas realizan tareas de cirujano con mayor eficacia y menor costo, entonces el mercado y la demanda del paciente pueden hacer que las máquinas asuman estos roles. En lugar de tener en cuenta esta posibilidad con negación, ira o indiferencia, los cirujanos deben tratar de entender y dirigir estas tecnologías hacia una atención óptima al paciente y un beneficio social neto.

 Curvas de innovación

Las innovaciones en cirugía mínimamente invasiva y toma de decisiones quirúrgicas siguen las curvas clásicas en forma de S con tres fases:

(1) introducción de una nueva tecnología,

(2) logro de una ventaja de rendimiento en relación con los estándares existentes,

(3) llegada a una meseta de rendimiento, seguida de aumento o reemplazo con una innovación con mayor autonomía de la máquina y menos influencia humana

Innovaciones quirúrgicas mínimamente invasivas

La fatiga, la imprecisión y la variabilidad en la habilidad técnica pueden afectar negativamente a los cirujanos y a sus pacientes.^{2, 3, 4, 5} Los avances tecnológicos en cirugía mínimamente invasiva mejoran las habilidades de los cirujanos para realizar tareas manuales de destreza y albergar el potencial de la cirugía robótica autónoma.^9,10,20,21

 Endoscopia rígida

La endoscopia se utilizó por primera vez para inspeccionar el cuello uterino hace más de 1000 años.²² Después de un largo período de estancamiento tecnológico, Phillip Bozzini utilizó una vela de cera para iluminar un endoscopio urológico, que fue tachado de «juguete» por sus contemporáneos.²³ Los problemas con las lesiones térmicas de las fuentes de luz se superaron mediante el uso de cables de platino calentados con corrientes eléctricas o fuentes de luz envueltas en catéteres metálicos con refrigeración por agua helada. El desarrollo posterior de componentes oculares y de esath separados permitió la inserción de instrumentos para realizar procedimientos de diagnóstico.^24,25 Sin embargo, las intervenciones se vieron limitadas por la incapacidad de triangular instrumentos y visión, y el contenido intraabdominal no pudo ser inspeccionado. Cuando Hans Christian Jakobaeus difundió su trabajo sobre el uso de un trocar para establecer el neumooperitoneo, comenzó la transición a la cirugía laparoscópica.

 Cirugía laparoscópica

Kurt Semm describió el manejo laparoscópico de los trastornos ginecológicos en la década de 1970.²⁵ Estas técnicas se aplicaron a la cirugía general cuando Erich Mühe realizó una colecistectomía laparoscópica en 1985. Obtuvo neumooperitoneo con una aguja Veress, introdujo instrumentos de agarre de pistola a través de un trocar grande con óptica de visión lateral y otras incisiones pequeñas, y retiró la vesícula biliar a través del gran trocar.²⁶ Fue ridiculizado por realizar «cirugía de Mickey Mouse», y su técnica se resumió como «pequeña incisión cerebro-pequeño».²⁷ Philippe Mouret, otro pionero de la colecistectomía laparoscópica, comentó que sentía el «peso de la responsabilidad médico-legal de haber innovado en una operación clásica, que había llegado a una etapa de casi perfección».²⁸ Las preocupaciones de Mouret eran válidas. En un estudio observacional prospectivo temprano, la incidencia de lesiones comunes por conductos biliares fue del 5,5%, en comparación con el 0%-0,25% para la colecistectomía abierta durante la misma época.²⁹ La curva de aprendizaje era corta y empinada.³⁰ A medida que la colecistectomía laparoscópica ganó aceptación y adopción, su seguridad y eficacia mejoraron, como lo demuestra la disminución de la mortalidad, neumonía, infección de heridas y duración hospitalaria de la estancia.⁹ Sin embargo, los intentos de hacer más mejoras clínicamente significativas en la cirugía laparoscópica moderna han tenido un éxito limitado.³¹ A medida que la cirugía laparoscópica alcanzó una meseta de rendimiento, la cirugía robótica ganó aceptación y adopción.

 Cirugía robótica

En 1985, una plataforma robótica de biopsia cerebral, utilizando coordenadas estereotácticas derivadas de escáneres cerebrales de tomografía computarizada, navegó con éxito un brazo robótico hasta su objetivo.^32,33 Pasaron diez años antes de que se reportaran los resultados de estudios en humanos.³⁴ Las mejoras tecnológicas posteriores ofrecieron vistas tridimensionales de alto aumento, minimización o eliminación de temblores de manos, instrumentos que se articulan en ángulos extremos, ergonomía cómoda y plataformas que permiten a los cirujanos operar más de dos brazos robóticos obviando así la necesidad de asistentes calificados. La cirugía robótica tiene una curva de aprendizaje corta y empinada, similar a la laparoscopia, y los cirujanos han reportado una menor pérdida de sangre, una menor duración hospitalaria de la estancia, menos complicaciones y un retorno temprano al trabajo en relación con enfoques laparoscópicos y abiertos en varias especialidades quirúrgicas, pero con costos operativos más altos y evidencia limitada de alto nivel que demuestra ventajas significativas de rendimiento.^{10,20,21,35,36} En un gran ensayo aleatorizado, la resección del cáncer rectal asistido por robótica no produjo ventajas significativas sobre la resección laparoscópica.³⁷ Los modelos de aprendizaje automático pueden evaluar el rendimiento operativo robótico y predecir los resultados de los pacientes.^38,39 Otros avances tecnológicos podrían ofrecer retroalimentación háptica, cámaras de seguimiento ocular, visualización de anatomía del subsuelo, navegación predictiva y limitaciones virtuales que protegen las estructuras anatómicas como los vasos y los nervios, ofreciendo ventajas potenciales para el rendimiento seguro y eficaz de las tareas técnicamente exigentes.⁴⁰ Un ensayo aleatorizado piloto reciente demostró la viabilidad de la microanálisis linfovenosa asistida por robots (8 mm de diámetro o menos) para las mujeres con linfedema relacionado con el cáncer de mama.⁴¹ En comparación con las técnicas manuales, no hubo diferencias significativas en los resultados relacionados con el linfedema en el seguimiento de 1 y 3 pisos. Los robots autónomos pueden realizar anastomoses intestinales suturados de extremo a extremo con presiones de fuga significativamente más altas que las anastomosas laparoscópicas y abiertas cosidas por los cirujanos.¹⁸ Sin embargo, además de las limitaciones de costos, muchos de los factores que dificultan la cirugía laparoscópica también dificultan la cirugía robótica, como la necesidad de crear defectos cutáneos y fasciales para insertar instrumentos, incurriendo en riesgo de lesiones durante la inserción de trocar e instrumentos, infección de heridas y hernia. Los microrrobots autónomos podrían mitigar estos riesgos.

 Microrrobots autónomos

En la película de 1966 Fantastic Voyage, los científicos encogen un submarino y lo conducen a través de los vasos sanguíneos para eliminar el coágulo del cerebro de un colega herido, popularizando una noción acreditada a Albert Hibbs: «sería interesante en la cirugía si pudiera tragarse al cirujano». Las tecnologías emergentes sugieren que los microrrobots quirúrgicos autónomos son factibles. En 2016, un equipo de ETH Zurich describió un microrobot de hidrogel que se impulsa a través de soluciones viscosas con movimientos de sacacorchos batiendo una cola similar al flagelo.⁴² 

El mismo año, un equipo del MIT describió un robot biodegradable similar al origami que se pliega en una píldora ingerible, se despliega en el cuerpo, se adhiere a los tejidos por fricción y se mueve en respuesta a campos magnéticos externos redistribuyendo su peso.¹⁵ En una representación de silicona impresa en 3D de un esófago humano y el estómago, el microrobot desalojó una batería incrustada en la pared del estómago y parcheó el defecto en aproximadamente 5 minutos. Otros grupos han utilizado espermatozoides de toro y miocitos cardíacos para propulsión, dirección magnética guiada por campo, orientaciones ADN-proteína que permiten a los robots maniobrar de forma autónoma en respuesta a su entorno, y bacterias magnetotácticas cargadas de nanoliposomas que se afinan a señales hipoxicas.^{43, 44, 45, 46} Los autores desconocen ningún estudio que informe sobre el uso de microrrobots autónomos para la cirugía en humanos, y mucho menos una ventaja de rendimiento sobre las tecnologías actuales. Sin embargo, la historia y la evidencia emergente sugieren que a medida que las tecnologías mejoran, los microrobots autónomos tienen el potencial de transformar la cirugía.⁴⁷

 Innovaciones quirúrgicas en la toma de decisiones

Los cirujanos frecuentemente involucran a pacientes en la toma de decisiones compartidas de alto riesgo bajo limitaciones de tiempo e incertidumbre impuestas por enfermedades quirúrgicas agudas y horarios de clínicas ocupados. Estas circunstancias promueven la dependencia del dogma y la heurística, lo que puede conducir a sesgos, errores cognitivos y daños prevenibles.^8,48 Las innovaciones en la toma de decisiones quirúrgicas pueden mitigar estos desafíos.

 Puntuaciones de riesgo aditivo

Una de las maneras más sencillas de apoyar las decisiones es la estratificación del riesgo mediante puntuaciones aditivas utilizando umbrales variables estáticos. Los niveles altos de sangre de proteína C reactiva se asocian con fugas anastomóticas después de la cirugía colorrectal. Después del día operativo 3 niveles de proteína reactiva C inferiores a 172 mg/L tiene 97% valor predictivo negativo para fuga anastomótica, descartando fugas en casi todos los casos, pero un valor predictivo positivo de sólo 21%, de tal manera que los altos niveles carecen de utilidad clínica.⁴⁹ La incorporación de varias variables puede mejorar el rendimiento predictivo. Strate et al.^50,51 utilizó siete factores de riesgo para predecir el sangrado intestinal agudo severo (0 factores de riesgo = bajo riesgo [9%], 1-3 factores = riesgo moderado [43%], factores ≥4 = alto riesgo [84%]). La validación externa demostró una buena discriminación con el área bajo curva característica de funcionamiento del receptor de 0,75.⁵¹ Los médicos pueden utilizar estas predicciones para guiar las decisiones con respecto a la urgencia de las pruebas diagnósticas y la utilidad de un seguimiento cercano del paciente. Los pacientes de bajo riesgo pueden ser candidatos apropiados para el manejo ambulatorio, evitando el uso innecesario de recursos hospitalarios. Sin embargo, las puntuaciones de riesgo aditivo pueden subestimar el riesgo de resultados adversos entre los pacientes de alto riesgo. Se utilizaron técnicas de modelado de regresión para identificar umbrales variables estáticos y generar sistemas de puntuación para muchas puntuaciones de riesgo aditivo; aplicación directa del modelado de regresión puede ser menos propenso a errores de predicción entre los pacientes de alto riesgo.⁵²

 Modelado de regresión

El modelado de regresión estima las relaciones entre las variables predictora y de resultados para predecir los resultados o explicar las asociaciones. La Calculadora Nacional de Riesgos Quirúrgicos del Programa de Mejora de la Calidad Quirúrgica utiliza datos de más de cuatro millones de cirugías, incluyendo el tipo de procedimiento, la demografía y las comorbilidades, para predecir resultados como morbilidad, mortalidad, duración hospitalaria de la estancia y disposición al alta dentro de los 30 d de la cirugía.¹¹ La calculadora hace predicciones precisas y específicas del paciente y puede aumentar la probabilidad de que los pacientes participen en estrategias de reducción de riesgos, por ejemplo, la prehabilitación.¹² Entre los 150 pacientes preoperatorios que revisaron los resultados de su calculadora de riesgo quirúrgico, el 70% declaró que participaría en la prehabilitación y el 40% declaró que retrasaría la cirugía para participar. Los pacientes a menudo quieren ser miembros expertos y comprometidos del equipo de salud; sin el uso de herramientas de apoyo a la toma de decisiones, como la calculadora del Programa Nacional de Mejora de la Calidad Quirúrgica, este deseo a menudo no se cumple, y se pierde la oportunidad de aumentar la toma de decisiones compartidas.^53, 54, 55 A pesar de estas ventajas, los datos de 4 millones de cirugías pueden ser insuficientes para representar una fisiopatología rara pero importante en una cohorte de más de 60 millones de pacientes sometidos a cirugía en las tierras de United Söder cada año, y la precisión del modelo de regresión puede sufrir la incapacidad de representar con precisión las complejas asociaciones no lineales entre las variables predictoras.⁵⁶ Las técnicas de aprendizaje automático son expertas en esta tarea.

 Aprendizaje automático

En 1970, el Dr. William Schwartz escribió en el New England Journal of Medicine,«La ciencia de la computación probablemente ejercerá sus principales efectos aumentando y, en algunos casos, reemplazando en gran medida las funciones intelectuales del médico».⁵⁷ Schwartz sostuvo que la enfermedad humana es demasiado amplia y compleja para ser explicada e interpretada por las reglas; algoritmos de aprendizaje automático aprenden de los datos en lugar de ajustarse a las reglas.⁵⁸ Cincuenta años después, las computadoras no han sustituido las funciones intelectuales de los médicos, pero han demostrado potencial para aumentar las decisiones con diferentes niveles de autonomía. Los modelos de aprendizaje automático pueden predecir el riesgo de varias complicaciones postoperatorias con una precisión mayor que la de los médicos, pero a menudo carecen de integración electrónica y clínica del flujo de trabajo, lo que limita su uso en la práctica clínica rutinaria.^59,60Los algoritmos supervisados aprenden de los datos etiquetados por los seres humanos, luego clasifican o hacen predicciones sobre nuevos datos invisibles; Los algoritmos no supervisados crean sus propias categorías de salida, a menudo agnósticas de cualquier etiqueta atribuida por humanos, lo que permite el descubrimiento de patrones y asociaciones. Los algoritmos supervisados pueden predecir la sepsis más de 24 h antes de comenzar con el área debajo del receptor que opera la curva característica 0.83.⁶¹ Sin embargo, las predicciones son tan útiles como los resultados que predicen. Seymour et al.⁶² sugieren que la definición demasiado amplia de sepsis afecta el desarrollo de intervenciones específicas. Utilizaron el aprendizaje sin supervisión para fenotipos de pacientes con sepsis, asignando puntos en una gráfica de dispersión como centroides de racimo, asignando todos los demás puntos al centroide más cercano, luego recalculando iterativamente los centrosides y las asignaciones de clústeres para formar los clústeres más estrechos posibles. Este método identificó cuatro fenotipos de sepsis únicos, que potencialmente representan subgrupos con diferentes respuestas a terapias dirigidas. Estas técnicas requieren ingeniería de características artesanales intensiva en tiempo utilizando conocimientos de dominio humano, mientras que los modelos profundos aprenden de forma autónoma representaciones de características a partir de datos sin procesar. Los modelos profundos pueden utilizar datos electrónicos de registros de salud para predecir la mortalidad entre pacientes de unidades de cuidados intensivos con mayor precisión que la puntuación secuencial de evaluación de fallas de órganos, incluso cuando se limitan a los mismos datos de entrada utilizados para calcular la evaluación secuencial de fallas en órganos.⁶³ El aprendizaje profundo y el modelado estadístico también pueden usar caracteres, palabras y otras expresiones del lenguaje natural como entradas de modelo. Esta técnica, denominado procesamiento del lenguaje natural, puede generar herramientas oncológicas de apoyo a la toma de decisiones que predicen mutaciones de la línea germinológica.^64,65 Este enfoque puede aprovechar la disponibilidad de grandes volúmenes de datos genéticos y literatura médica para producir estrategias personalizadas de gestión de la prevención del cáncer.⁶⁶ Los mecanismos de interpretación de modelos profundos aclaran la importancia relativa de las entidades de entrada individuales para determinar las salidas del modelo, proporcionando oportunidades para evaluar si las asociaciones entre insumos y salidas son biológicamente plausibles.^63,67 A pesar de estas ventajas, las predicciones y clasificaciones sólo pueden informar indirectamente opciones discretas que enfrentan los médicos, limitando su utilidad clínica. El aprendizaje de refuerzo informa directamente sobre las opciones discretas.

 Aprendizaje de refuerzo

En el aprendizaje de refuerzo, un agente aprende que las acciones específicas bajo ciertas condiciones conducen a recompensas y sanciones, utilizando este conocimiento para identificar acciones que logran un objetivo final. Dos características distinguen el aprendizaje de refuerzo del aprendizaje automático: (1) búsqueda de prueba y error para identificar la mejor acción y (2) recompensa retrasada, es decir, la elección de acciones que logran el objetivo final en lugar de recompensas a corto plazo.⁶⁸ Por ejemplo, un modelo desarrollado por Komorowski et al.¹⁶ recomienda dosis de vasopresores y volúmenes de líquidos intravenosos para pacientes sépticos, asignando recompensas y sanciones en relación con la supervivencia en 90 d. El modelo favoreció dosis más altas de vasopresores y menores volúmenes de líquido intravenoso, consistentes con la evidencia de que la sobrecarga de volumen daña a los pacientes con sepsis y que un enfoque único para la reanimación es subóptimo.^69,70 En cuanto al análisis retrospectivo, cuando las acciones adoptadas por los médicos eran concordantes con las recomendaciones modelo, la mortalidad era ligeramente inferior al 20%. A medida que las acciones clínicas se desviaron de las recomendaciones modelo, la mortalidad aumentó significativamente, hasta un 60%. En particular, los médicos pueden haberse desviado de las recomendaciones modelo basadas en datos no disponibles para el modelo (por ejemplo, los hallazgos de exámenes físicos, síntomas), y los mismos hallazgos contribuyeron a un peor pronóstico, haciendo que la toma de decisiones clínicas pareciera menos eficaz. Por lo tanto, las pruebas disponibles no respaldan la inferencia causal entre las recomendaciones modelo y la disminución de la mortalidad.Para escenarios de toma de decisiones más complejos en conjuntos de datos de alto volumen y alta dimensión, las búsquedas exhaustivas de acciones óptimas pueden ser prohibitivas o imposibles, pero una representación profunda del entorno del agente puede mitigar estos desafíos. El juego de mesa Go tiene 32.490 posibles primeros movimientos.⁷¹ Un modelo de refuerzo profundo primero aprendió de un experto en Go humano, luego derrotó al campeón de Europa Go cinco juegos a cero. Posteriormente, un modelo completamente autónomo entrenado en el juego propio sólo derrotó al modelo de entrada humana 100 juegos a cero.¹⁷ Enfoques similares tienen el potencial de transformar la toma de decisiones quirúrgicas, pero a falta de evidencia de alto nivel para aplicaciones médicas, este potencial sigue siendo teórico.⁷² Además, los modelos de aprendizaje de refuerzo requieren grandes conjuntos de datos de entrenamiento para mantener tamaños de muestra eficaces en tareas secuenciales de toma de decisiones, y estos datos no están disponibles para muchas enfermedades quirúrgicas, especialmente las raras.⁷³

 Lecciones aprendidas de las innovaciones automotrices

La industria automotriz adopta innovaciones de máquinas inteligentes y autónomas que logran ventajas de rendimiento en función de las demandas de los consumidores y las ventajas empresariales. Fuerzas similares del mercado probablemente impulsarán la cirugía hacia la autonomía de la máquina. Actualmente, no hay evidencia de nivel I que demuestre que las máquinas inteligentes y autónomas mejoran los resultados de los pacientes en comparación con los estándares existentes para realizar operaciones o tareas quirúrgicas de toma de decisiones, específicamente (véase el Suplemento que describe una búsqueda embase, MEDLINE y PubMed realizada por los autores 10/30/2019). Estas tecnologías permanecen en la parte inicial y plana de la curva S de innovación (Figura). Sin embargo, si los futuros hospitales pueden comprar plataformas quirúrgicas robóticas que realizan operaciones de forma autónoma con costos más bajos y mayor calidad que los cirujanos humanos, o modelos de aprendizaje de refuerzo profundo que constantemente toman mejores decisiones que los médicos, entonces parece probable que estas tecnologías obtengan adopción. La historia sugiere que las máquinas inteligentes y autónomas se utilizarán inicialmente para tareas simples, comunes y rutinarias bajo estrecha supervisión humana y luego para tareas complejas con una supervisión humana mínima. La automatización de tareas programables puede permitir a los cirujanos pasar menos tiempo recopilando y analizando datos y más tiempo interactuando con los pacientes y atendiendo a aspectos urgentes, críticos y potencialmente más valiosos de la atención al paciente.Las lecciones aprendidas de las innovaciones automotrices revelan oportunidades para capitalizar las ventajas de rendimiento de las nuevas tecnologías sin privar de derechos a las personas que las utilizan y se benefician de ellas. Cuando los brazos robóticos reemplazaron en gran medida a los trabajadores de la línea de montaje humana en la realización de tareas mecánicas, los precios de los automóviles cayeron al alcance de la clase media, pero muchos trabajadores de la línea de montaje perdieron su trabajo. Al igual que en la revolución industrial, hubo un retraso entre la incorporación de máquinas autónomas y la redistribución de la fuerza de trabajo humana. Tal vez si se anticipara esta transición, se podría lograr una transición más suave. Anticipar una transición similar en la cirugía parece prudente. Con el tiempo, la industria automotriz evolucionó para utilizar el esfuerzo humano y la experiencia en el diseño y supervisión de líneas de montaje de brazos robóticos. Las fuerzas de trabajo automotrices también pivotaron hacia tareas que requieren creatividad, planificación a largo plazo y deliberación moral, que son especialmente relevantes en el diseño de automóviles autónomos que detectan el medio ambiente y responden en consecuencia. Las respuestas son programables y tienen importantes implicaciones morales. Awad et al.⁷⁴ creó simulaciones en línea en las que los participantes identifican las preferencias sobre cómo deben comportarse los coches autónomos al distribuir daños en colisiones inevitables, por ejemplo, el coche puede mantener su curso y golpear a un adolescente que camina por el jaywalking o desviarse y chocar, dañando a su pasajero de edad avanzada. Los autores recopilaron datos sobre casi 40 millones de decisiones de participantes en 233 países y encontraron una variación intercultural significativa en las preferencias por los dilemas morales que enfrentan los coches autónomos, excluyendo un enfoque único para la programación moralmente sólida.Los dilemas morales y éticos también desafían la adopción de máquinas inteligentes y autónomas en la cirugía. El manejo de un paciente con edema pulmonar y azotemia prerenal podría proceder con diuresis o reanimación por volumen. La compensación entre la insuficiencia respiratoria que requiere apoyo mecánico del respirador frente a la insuficiencia renal que requiere terapia de reemplazo renal depende en parte de los deseos y valores del paciente y sus cuidadores. Una plataforma de aprendizaje de refuerzo autónomo entrenada para optimizar un punto final arbitrario como la mortalidad en 90 d podría tomar una recomendación o decisión que sea médicamente sólida, pero contraria a los valores de los pacientes. Además, es probable que los algoritmos entrenados en conjuntos de datos sesgados produzcan salidas sesgadas, como se demuestra en las predicciones de reincidencia del crimen.⁷⁵ Problemas similares podrían ocurrir en aplicaciones de atención médica de aprendizaje automático. Por ejemplo, las asociaciones entre los factores de riesgo cardiovascular y los eventos cardiovasculares adversos difieren según la raza y la etnia; un modelo entrenado con datos del Framingham Heart Study, que incluía principalmente temas blancos, podría producir salidas raciales y étnicamente sesgadas.⁷⁶ Los algoritmos utilizados para asignar trasplantes de hígado pueden privar de derechos a las candidatas a receptoras de órganos femeninas al priorizar la creatinina sérica, que es menor entre las mujeres.⁷⁷ Por lo tanto, los investigadores deben alinear el conjunto de datos de capacitación y dirigirse a la demografía de la población y otras características que tienen potencial para introducir sesgos. Además, los sistemas judiciales tienen una experiencia limitada en la asignación de responsabilidad por los errores cometidos por máquinas inteligentes y la diferenciación entre los errores humanos y los errores de máquina. Al tomar una decisión crítica de gestión para una complicación postoperatoria potencialmente mortal, un cirujano podría estar al tanto de la historia y la información de los exámenes físicos que no está disponible para una plataforma autónoma de apoyo a la toma de decisiones, tomar un curso de acción diferente al recomendado por un modelo con eficacia probada y estar sujeto a un escrutinio injustificado cuando el paciente sufre un mal resultado. Del mismo modo, las plataformas quirúrgicas robóticas con limitaciones virtuales destinadas a proteger las estructuras anatómicas podrían retrasar o evitar que un cirujano obtenga el control de un vaso sanguíneo lesionado, dañando a un paciente y enfrentando a la máquina humana en la asignación de responsabilidad. Los cirujanos deben enfrentar estos desafíos con creatividad, altruismo, deliberación moral e inteligencia emocional, es decir, la capacidad de reconocer estados emocionales y actuar en consecuencia. Estos rasgos siguen siendo inaccesibles para las máquinas. El papel del cirujano puede evolucionar hasta interpretar las herramientas de apoyo a la toma de decisiones y ofrecer sabiduría a los pacientes y cuidadores que se enfrentan a decisiones quirúrgicas complejas y de alto riesgo, utilizando y supervisando instrumentos quirúrgicos semiautonómicos y totalmente autónomos y plataformas robóticas en el quirófano y garantizando la integración segura y efectiva de máquinas inteligentes y autónomas con atención quirúrgica.

Conclusiones

A medida que las tecnologías mejoran, las máquinas inteligentes y autónomas pueden obtener la capacidad de aumentar o superar a los seres humanos en tareas operativas y de toma de decisiones. La historia sugiere que las máquinas inteligentes y autónomas se utilizarán en cirugía inicialmente para tareas simples, comunes y rutinarias bajo estrecha supervisión humana y luego para tareas complejas con una supervisión humana mínima. La automatización de tareas programables puede permitir a los cirujanos pasar menos tiempo recopilando y analizando datos y más tiempo interactuando con los pacientes y atendiendo a aspectos urgentes, críticos y potencialmente más valiosos de la atención al paciente. Este proceso plantea desafíos éticos en la asignación de responsabilidad por errores, distribución de daños y desplazamiento de trabajadores humanos. Los cirujanos deben asumir funciones activas en la orientación de estas tecnologías hacia una atención óptima al paciente y un beneficio social neto, canalizando la creatividad humana, la deliberación moral y el altruismo.

Se toman algunas conclusiones del importante consenso internacional de Estrasburgo, publicado en el Annals of Surgery a fines de 2019.

Justificación de la intervención:

La medicina transcurre una era del neo Vesaliano, luego de la descripción del genoma humano, tiene más datos, e información, que la que puede procesar e integrar, esta era se caracteriza por una medicina de precisión, personalizada, genómica, poblacional, preventiva, participativa equipo multidisciplinarios. Era de la simulación, de lo mínimamente invasivo, de enhanced recovery after surgery, de la realidad virtual, de los implantes con impresoras tres D, de reconstrucciones tridimensionales, dentro de ello surgen los smart hospitals,

La tecnología médica avanzada se utiliza rutinariamente en la práctica de la medicina y los dispositivos médicos automatizados están empezando a aparecer en el entorno clínico. A primera vista, los sistemas automatizados son una poderosa herramienta que los médicos pueden utilizar para prevenir errores humanos y mejorar la atención al paciente. 

•“Smart hospital es un hospital basado en procesos optimizados y automatizados construidos en un entorno de activos y personas interconectadas, particularmente basados en el internet de las cosas (IoT) y en el análisis de los datos capturados (por ejemplo, mediante la aplicación de algoritmos de inteligencia artificial – IA), para mejorar los procedimientos existentes de atención al paciente e introducir nuevas capacidades”

Definiciones de algunas Líneas estratégicas de la cirugía del futuro.

Cirugía e intervención guiadas por imágenes

La sinergia entre la colaboración interdisciplinaria y la convergencia de múltiples tecnologías (por ejemplo, sistemas de orientación, tecnologías inmersivas), proporcionando extensas capas de información visual (por ejemplo, espectro, resolución, transparencia) y haciéndolos intuitivos, actualizando las habilidades quirúrgicas existentes y forjando otras nuevas. Debido a su mentalidad integral (planificación, orientación, control), surge una transformación revolucionaria para hacer cumplir los procedimientos de última generación y desarrollar otros, logrando así una precisión

Cirugía e intervención asistida por ordenador

Amplio uso de marcos de tecnología de la información para mejorar las habilidades de los médicos y aumentar los sentidos (por ejemplo, cirugía guiada por imágenes), cognición (por ejemplo, aprendizaje profundo, aprendizaje automático) y ejecución (por ejemplo, mecatrónica, imagen y robótica quirúrgica) con el objetivo de proporcionar procedimientos más precisos y seguros

Sistemas de orientación

Cualquier tecnología que combine 3 elementos principales (orientación, navegación y control), trayendo datos de ubicación y mejorando la orientación espacial en cualquier momento durante el procedimiento, lo que permite alcanzar objetivos con mayor precisión y mínima interrupción en los tejidos circundantes. Entre otras tecnologías en evolución, estos sistemas deben crecer asociados junto con datos visuales (por ejemplo, imágenes médicas), desarrollar interfaces intuitivas entre humanos y máquinas, y facilitar la estrategia de planificación y seguimiento de la posición de los instrumentos a lo largo del procedimiento

Quirófano híbrido

Instalaciones equipadas con capacidades quirúrgicas completas, incluidas imágenes médicas basadas en sistemas de coordenadas (TC, RMN, TC de haz de cono) asociados con otras técnicas (ultrasonido, fluoroscopia) y/o sistemas de orientación. A través de diferentes tipos de interfaces hombre-máquina, las etapas de planificación, orientación y control se pueden realizar de forma intraoperatoria de forma dinámica

La sinergia entre la colaboración interdisciplinaria y la convergencia de múltiples tecnologías (por ejemplo, sistemas de orientación, tecnologías inmersivas), proporcionando extensas capas de información visual (por ejemplo, espectro, resolución, transparencia) y haciéndolos intuitivos, actualizando las habilidades quirúrgicas existentes y forjando otras nuevas. Debido a su mentalidad integral (planificación, orientación, control), surge una transformación revolucionaria para hacer cumplir los procedimientos de última generación y desarrollar otros, logrando así precisión.

Existen cuatro complejidades de Quirófanos Hibridos.

Clasificación de la complejidad del quirófano híbrido

Puntuación de entrada, interfaz humano-máquina y uso
característica	Elementos esenciales (AND/OR)
Entrada (I)	Ct	Sr	CBCT
Interfaz hombre-máquina (H)	Características básicas*	Características avanzadas†
Uso (U)	Preparado para cirugía abierta	Robot quirúrgico	Robot de imágenes
Definiciones de los niveles de complejidad hor
Tenga en cuenta que al menos 1 elemento esencial debe estar presente en cada categoría para ser considerado un HOR
Nivel 1 = sólo 1 elemento esencial por característica (por ejemplo,1h1u1 significa que sólo un elemento esencial está presente en el HOR)
Nivel 2 = 1 característica con más de un elemento esencial (por ejemplo,2h1u1 si el HOR tiene capacidades de TC y MR)
Nivel 3 = 2 característica con más de un elemento esencial (por ejemplo,2h2u1 si el HOR anterior añade características básicas y avanzadas de la interfaz humana)
Nivel 4 = 3 característica con más de un elemento esencial (por ejemplo,2h2u2 si el HOR anterior está preparado para una cirugía abierta e incluye un robot quirúrgico)

Tenemos que desarrollar a nuestros profesionales en un equilibrio, porque esta modernización nos puede traer perdida de las habilidades manuales, lo que se conoce con nombre de atrofia de habilidad, las residencias de cirugías generales deberían tener rotaciones en hospitales de trauma y realizar ablaciones de hígado, riñón, páncreas. etc, para entrenar equilibradamente a nuestros cirujanos. Muchos de estos dispositivos deberían orientar las inversiones públicas para construir equidad.

También esto involucra a la anestesia:

La tecnología médica automatizada se está convirtiendo en una parte integral de la práctica anestésica de rutina. Las tecnologías automatizadas pueden mejorar la seguridad del paciente, pero pueden crear nuevos flujos de trabajo con consecuencias adversas potencialmente sorprendentes y errores cognitivos que deben abordarse antes de que estas tecnologías se adopten en la práctica clínica. Industrias como la aviación y la energía nuclear han desarrollado técnicas para mitigar las consecuencias no deseadas de la automatización, incluyendo el sesgo de automatización, la pérdida de habilidades y las fallas del sistema. Con el fin de maximizar los beneficios de la tecnología automatizada, los médicos deben recibir capacitación en la interacción entre el sistema humano, incluidos temas como la vigilancia, la gestión de fallas del sistema y el mantenimiento de habilidades manuales. Los fabricantes de dispositivos médicos ahora evalúan la usabilidad de los equipos utilizando los principios del rendimiento humano y deben ser alentados a desarrollar materiales de capacitación integrales que describan posibles fallas del sistema. La investigación adicional en la interacción entre humanos y sistemas puede mejorar las formas en que los dispositivos médicos automatizados se comunican con los médicos. Estos pasos garantizarán que los médicos puedan utilizar eficazmente estos nuevos dispositivos mientras están listos para asumir el control manual cuando sea necesario y prepararnos para un futuro que incluya atención médica automatizada.

La Fundación para la Seguridad del Paciente de Anestesia ha definido la tecnología médica avanzada como «dispositivos médicos y sistemas de software complejos, proporcionan datos críticos del paciente o que implementan directamente procesos farmacológicos o de soporte vital mediante los cuales el mal uso involuntario o el error de uso podrían presentar una probabilidad conocida de daño al paciente». ⁹ La tecnología médica avanzada que incluye la automatización puede hacer que la atención clínica sea más eficiente y mejorar la seguridad del paciente porque las máquinas pueden realizar muchas tareas de manera más eficiente que los humanos. Las máquinas nunca se aburren ni se cansan, ni sesga ni se retrasan por las respuestas emocionales a un evento crítico. Las máquinas pueden ser más específicas y sensibles que las humanas al detectar cambios sutiles en el estado de un paciente.

Conclusión:

La educación es el primer paso hacia el uso seguro de la tecnología médica automatizada, debemos renovar la formación en el grado y el postgrado.

Estamos en un nuevo universo de la cirugía, la robótica, la automatización, la guía de las imágenes, la simulación, para mejorar los resultados en la salud y menos invasiva, menos consumos de estancia, abierta inclusive a hacer terapias mixtas, con adyuvancias, un panorama alentador, con las nubes de la sostenibilidad, la sustentabilidad, la solvencia, y el costo de oportunidad que pueden generar si no gestionamos los otros aspectos de la atención, la gestión de pacientes, la atención primaria ampliada, los corredores sanitarios, las redes, las historia clínica informatizada, los anillos digitales, los dispositivos y el internet de las cosas.