Voy a reproducir varios artículos recientes con el sustento de procesos de in-geniería y la inteligencia artificial disminuir desperdicios, aumentar la seguridad y la calidad.

El objetivo de esta revisión fue recopilar la evidencia actual en la que la digitalización, a través de la incorporación de la tecnología de video y la inteligencia artificial (IA), se está aplicando a la práctica de la cirugía. Las aplicaciones son vastas, y la literatura que investiga la utilidad del video quirúrgico y su sinergia con la IA ha aumentado constantemente en las últimas 2 décadas. Este tipo de tecnología está muy extendida en otras industrias, como la autonomía en el transporte y la fabricación.

Qué es un quirófano inteligente?

Imagine un quirófano inteligente, también conocido como quirófano digital, como un lugar centralizado que integra todos los datos quirúrgicos. Desde detalles del paciente, fuentes de software, imágenes de CT o ultrasonido, listas de verificación, temporizadores y videos del quirófano, todo se muestra en un único dispositivo diseñado para admitir conexiones digitales dentro y fuera del quirófano.

La diferencia más significativa entre un quirófano digital y un quirófano tradicional es su capacidad de ofrecer conectividad más allá de los límites del quirófano .

Debido a que los quirófanos tradicionales están aislados, quienes están afuera no pueden monitorear ni apoyar a los cirujanos que están adentro. Cada detalle debe registrarse manualmente para su posterior revisión. Debido a que un sistema de integración de quirófano está conectado al exterior, las consultas remotas y el aprendizaje se pueden realizar en tiempo real. Además, el proceso quirúrgico queda registrado y puede usarse como material educativo o para investigación clínica.

Los beneficios del quirófano digital

El uso de quirófanos digitales ha revolucionado los procedimientos quirúrgicos y aumentado las tasas de éxito de las operaciones. Un quirófano inteligente ofrece tres mejoras importantes que han transformado la forma en que se realizan las cirugías.

1.Integración de vídeo de cirugía mayor.

Para empezar, la integración de vídeos de cirugías importantes marca una diferencia significativa. Con la integración de imágenes CT/MR/C-arm, barras de tiempo, notas especiales y funciones grabables o de captura de pantalla en un solo dispositivo, los cirujanos pueden acceder a todos los datos que necesitan en un solo lugar.

Esto agiliza el flujo de trabajo quirúrgico y reduce la posibilidad de cometer errores, ya que los profesionales médicos ahora pueden centrarse en la cirugía en lugar de desperdiciar energía buscando equipos e información.

2. Reforzar la seguridad del paciente

También mejora enormemente la seguridad del paciente. La configuración inteligente proporciona un registro paso a paso de los controles de seguridad durante el procedimiento quirúrgico, garantizando que no se pierda nada. Incluso realiza un seguimiento de la cantidad de suministros estériles utilizados y proporciona recordatorios de antibióticos intraoperatorios.

Esto no sólo mejora la seguridad del paciente sino que también reduce la posibilidad de infecciones en el sitio quirúrgico.

3. Soporte Tele-OR

Los quirófanos digitales también admiten Tele-OR, lo que hace posibles consultas en tiempo real con otros médicos.

El equipo quirúrgico se extiende fuera del quirófano, ya que los cirujanos pueden acceder a asistencia remota sin demora. En cirugías complicadas o emergencias, esta función puede salvar vidas. La educación a distancia también es posible con Tele-OR, lo que abre nuevas vías para que los profesionales médicos aprendan y colaboren de forma remota, ya sea en conferencias o escuelas internacionales.

Estudio de caso en Medio Oriente: Hospital Especialista de Almoosa

El Hospital Especialista Almoosa en Arabia Saudita es un centro de salud líder en el mundo con más de 3000 cuidadores y 380 camas de hospital. Para proporcionar un entorno de quirófano de primer nivel para sus pacientes y su personal, el hospital buscó una solución de vídeo de quirófano 4K que pudiera brindar a los profesionales médicos un fácil acceso a los datos quirúrgicos. El hospital implementó iMOR-SDB de imedtac como su solución ideal.

» iMOR-SDB nos permitirá optimizar nuestra cirugía en el quirófano al proporcionar una interfaz intuitiva para nuestros datos de vídeo quirúrgico «, afirma el director médico de Almoosa, «con las capacidades de transmisión en vivo de la solución, los especialistas remotos participan en las operaciones. Además, el hospital mejora la atención al paciente al capturar datos rápida y fácilmente durante la cirugía, de modo que el equipo de quirófano se concentra en el paciente y brinda la mejor atención posible. 

Métodos

Los artículos se identificaron principalmente a través de las bases de datos PubMed y MEDLINE. Los términos MeSH utilizados fueron «educación quirúrgica», «video quirúrgico», «etiquetado de video«, «cirugía», «flujo de trabajo quirúrgico», «telementoring», «telemedicina», «aprendizaje automático», «aprendizaje profundo» y «quirófano». Dada la amplitud del tema y la escasez de datos de alto nivel en ciertas áreas, se seleccionó una síntesis narrativa en lugar de un metaanálisis o una revisión sistemática para permitir una discusión centrada en el tema.

Resultados

A lo largo de esta revisión se identificaron y analizaron tres temas principales: (1) la utilidad multifacética de la grabación de vídeo quirúrgico, (2) la teleconferencia/telemedicina y (3) la inteligencia artificial en el quirófano.

Conclusiones

La evidencia sugiere que la recopilación rutinaria de datos intraoperatorios será beneficiosa para el avance de la cirugía, al impulsar una atención quirúrgica estandarizada y basada en la evidencia y la capacitación personalizada de los futuros cirujanos. Sin embargo, hay muchas barreras que se interponen en el camino de una implementación generalizada, lo que requiere una estrecha colaboración entre cirujanos, científicos de datos, personal médico-legal y responsables políticos hospitalarios.

Los avances tecnológicos y las aplicaciones de la digitalización hasta la fecha revelan oportunidades para la innovación quirúrgica. Lam et al. alcanzaron un consenso sobre la definición de cirugía digital en 2022, definiendo la cirugía digital como «el uso de la tecnología para mejorar la planificación preoperatoria, el rendimiento quirúrgico, el apoyo terapéutico o la formación, para mejorar los resultados y reducir el daño» [1].

Los eventos adversos quirúrgicos siguen siendo una causa importante de mortalidad y morbilidad en pacientes de todo el mundo, y las investigaciones sugieren que más del 50% son prevenibles [2]. Más de la mitad de todos los errores quirúrgicos se deben a un rendimiento subdesarrollado antes, durante y después de la operación. Se identificaron factores como la planificación subóptima, la comunicación y la mala ejecución [3]. La evidencia de la Organización Mundial de la Salud (OMS) indica que los enfoques sólidos y sistemáticos para la seguridad del paciente pueden mitigar los errores médicos entre un 50 % y un 70,2 % [4].

Un desafío importante para la comunidad quirúrgica es la acumulación de pacientes después de los aumentos repentinos de la pandemia de COVID-19. En Inglaterra y Gales, el desvío de recursos resultó en una reducción del 33,6% en la actividad quirúrgica en 2020 [5]. En EE. UU., hubo una mayor reducción con la cancelación masiva de procedimientos quirúrgicos electivos en un 48,0% entre 2019 y 2020 [6]. En el campo de la educación, una revisión de los datos del libro de registro quirúrgico de 2019 a 2020 reveló una reducción del 50% en las operaciones con los aprendices como cirujano principal que opera, lo que llevó a una reducción en la experiencia quirúrgica [7]. Sin embargo, la incorporación de soluciones digitales fue rápida, y muchas instituciones recurrieron a plataformas en línea para el aprendizaje del conocimiento [8].

En los últimos años, la utilidad de la tecnología en el campo quirúrgico se ha hecho cada vez más evidente. La pandemia de COVID-19 puso de manifiesto el valor del aprendizaje en línea en forma de vídeo, teletutoría y teleconferencias, que es probable que se generalicen en los próximos años con el auge del aprendizaje combinado, en el que los recursos en línea complementan los métodos de formación tradicionales [9]. Ha habido un mayor interés en la realidad aumentada/virtual [10], la ciencia de datos quirúrgicos y la IA que analiza las métricas operativas para mejorar el rendimiento quirúrgico, la formación y, en última instancia, los resultados de los pacientes. Detrás de estas aplicaciones se encuentra el prerrequisito para el big data, que en cirugía se logra a través de la recopilación y utilización rutinaria de detalles operatorios [10]. Sin embargo, muchas cuestiones éticas y logísticas siguen siendo obstáculos para la adopción de estas tecnologías por parte de las instituciones sanitarias.

Esta revisión se centrará en cómo la postura de la tecnología de video y la IA puede aumentar la práctica quirúrgica actual y superar estos desafíos contemporáneos; discutimos sistemáticamente el uso del video en su forma básica para su aplicación como fuente de datos en IA (Fig. 1).

Métodos

Los artículos se identificaron principalmente a través de las bases de datos PubMed y MEDLINE. Los términos MeSH utilizados fueron «educación quirúrgica», «video quirúrgico», «etiquetado de video«, «cirugía», «flujo de trabajo quirúrgico», «telementoring», «telemedicina», «aprendizaje automático», «aprendizaje profundo» y «quirófano». También se exploraron listas de referencias para artículos adicionales. Los artículos fueron seleccionados para su inclusión en función de la relevancia y adecuación de su contenido, según lo considerado por la experiencia y el conocimiento de los autores. Dada la amplitud del tema y la escasez de datos de alto nivel en ciertas áreas, se seleccionó una síntesis narrativa en lugar de un metaanálisis o una revisión sistemática para permitir una discusión centrada en el tema.

Utilidad del video quirúrgico

El vídeo quirúrgico ofrece una gran cantidad de datos, capturando fuentes de variabilidad que pueden analizarse para intervenciones de entrenamiento personalizadas y una mejora sistemática de la calidad. Dichas aplicaciones se analizan en esta sección.

El video quirúrgico es un registro objetivo de los eventos intraoperatorios, que permite la revisión e investigación del rendimiento quirúrgico y cómo los eventos intraoperatorios se correlacionan con los resultados del paciente. Birkmeyer et al. demostraron que la habilidad de un cirujano, determinada por la calificación de la revisión por pares de los casos grabados en video, tiene asociaciones significativas con el tiempo operatorio, la duración de la estadía y la mortalidad de la cirugía de bypass gástrico [11]. Un estudio realizado en 2020 con 17 cirujanos en ejercicio confirmó este hallazgo; Más del 25 % de las tasas de complicaciones se debieron a variaciones en las puntuaciones de habilidades técnicas calificadas en el video quirúrgico, que variaron mucho entre los cirujanos en ejercicio (2,8-4,6/5). Las puntuaciones más altas de habilidad técnica para la cirugía en estudio (colectomía) se asociaron con tasas más bajas de complicaciones, reoperación no planificada y, posteriormente, mejores resultados postoperatorios [12]. Por el contrario, en la gastrectomía laparoscópica en manga, la habilidad quirúrgica no tuvo un impacto significativo en las tasas generales de complicaciones, a pesar de una amplia variación en las puntuaciones de habilidad quirúrgica (2,7–4,6/5). Se pensaba que esto se debía a una curva de aprendizaje más corta [13]. A través del análisis de vídeo, se pueden detectar diferencias en la técnica quirúrgica entre los cirujanos con mayor puntuación y los cirujanos con menor puntuación [13].

Esto puede mejorar el entrenamiento quirúrgico a través de una formación personalizada. La identificación de la técnica quirúrgica óptima de los cirujanos con mejor desempeño y los factores técnicos asociados con las complicaciones operatorias presenta una oportunidad para reforzar la capacitación.

Los repositorios de vídeo grabado proporcionan un registro objetivo de los factores relacionados con la evolución postoperatoria del paciente, eliminando los elementos subjetivos de la cirugía. En un estudio de 2011, se examinó si las notas operativas representan con precisión la colecistectomía laparoscópica, en comparación con las grabaciones de vídeo; Los resultados mostraron omisiones significativas de los pasos del procedimiento en numerosos informes operativos [14]. Los nuevos métodos de automatización pueden reducir esta variación en la documentación operativa, utilizando listas de verificación basadas en modelos de la industria empresarial, para evitar la omisión de pasos importantes y mejorar la documentación [15].

El video quirúrgico ofrece detalles finos que se pueden analizar. El microanálisis de un conjunto de datos de video identificó factores humanos que afectaron el desempeño y la conciencia situacional del equipo quirúrgico [16]. Se identificaron factores lingüísticos, como el uso de preguntas abiertas y cerradas y sus efectos en el comportamiento posterior documentado [16]. Más allá de la instrucción oral, los sonidos extrínsecos, como la música y las alarmas de los equipos, también se asocian con errores técnicos. Ayas et al. demostraron en la cirugía de bypass gástrico que las alarmas de las máquinas, que eran una de las distracciones más comunes, se asociaban con errores técnicos clínicamente relevantes [17].

El conocimiento por parte del personal quirúrgico de la grabación de vídeo en el entorno quirúrgico también puede ser inherentemente ventajoso. Un estudio realizado en 2018 mostró que hubo una disminución significativa en el tiempo de conversación irrelevante después de la implementación de la grabación audiovisual en el entorno quirúrgico (4,2 a 1,4% del tiempo quirúrgico), aunque en este estudio no se estableció un vínculo entre los tiempos de conversación irrelevantes y los eventos adversos [18]. A través de un estudio observacional, Tschan et al. encontraron que el aumento del tiempo de conversación irrelevante se correlacionó de forma independiente con una mayor incidencia de infecciones del sitio quirúrgico, por el contrario, la comunicación relevante para el caso asociada con una menor incidencia, lo que destaca el valor clínico de los datos audiovisuales [19].

Auditoría remota por vídeo en cirugía

La auditoría remota por vídeo (RVA) es la crítica posterior de la grabación de los comportamientos para promover la seguridad y la eficacia en diversos entornos. En un entorno de atención médica general, Amerllino et al. evaluaron las tasas de higiene de manos antes y después de la implementación de RVA; Se observó una mejora en las tasas de higiene del 10 al 81,6% entre los trabajadores de la salud. El aumento de las calificaciones de higiene de manos se mantuvo durante el período de retroalimentación de 75 semanas; Los estudios prolongados que investigan el impacto de la RVA en las tasas de infección entre los pacientes pueden justificar la instalación de tales sistemas [20].

En 2016 se llevó a cabo RVA en un entorno quirúrgico para investigar el cumplimiento de la lista de verificación de seguridad quirúrgica, así como los tiempos de rotación de casos, el registro del entorno quirúrgico y la auditoría de las imágenes quirúrgicas con retroalimentación en tiempo real sirvieron para mejorar la eficiencia en la cirugía programada [21]. En este contexto, los comentarios se informaron a los miembros del equipo sobre el estado de finalización de diferentes aspectos de la lista de verificación y el estado del paciente/quirófano (OR) a través de un tablero de visualización y notificaciones de texto [21].

El análisis retrospectivo de RVA incluye la transcripción de eventos y el análisis por parte de un equipo multidisciplinario, para ayudar a identificar desviaciones que pueden abordarse, como una organización deficiente o una dinámica subóptima [22]. Estos hallazgos críticos por institución deben enfocarse positivamente en la práctica quirúrgica.

Educación y formación basadas en vídeo

Las revisiones sistemáticas sobre la efectividad de la educación quirúrgica basada en vídeo en comparación con los métodos convencionales indican que la primera es una herramienta eficaz y equivalente. Esto se basa en medidas de resultados como la satisfacción de los alumnos medida por cuestionarios de los participantes y la mejora del rendimiento operativo [23,24,25]. Estos hallazgos sugieren que una videoteca estandarizada y de alta calidad es valiosa para los aprendices actuales, y las investigaciones muestran que las plataformas públicas para compartir videos, como YouTube, son el recurso más popular para la preparación de casos [26].

En 2018, se desarrollaron las directrices de LAP-VEGaS sobre la presentación de informes de videos laparoscópicos para la educación con el fin de garantizar que los recursos cumplieran con los estándares adecuados debido a las preocupaciones sobre la calidad de los recursos educativos y la falta de revisión por pares. Las guías se desarrollaron sobre la base de un proceso Delphi entre una cohorte internacional de expertos en formación quirúrgica, para facilitar la mejora de la educación basada en video y reducir la variabilidad en el rigor académico, lo que permite la revisión por pares de las pautas establecidas [27, 28]. Esto es particularmente importante con el creciente uso de recursos basados en video en la reciente pandemia de COVID-19, que ha demostrado ser un método de enseñanza eficaz en el aprendizaje de habilidades quirúrgicas básicas [29].

En 2017, Hu et al. compararon la enseñanza en el quirófano con el entrenamiento basado en video, lo que resultó en significativamente más puntos de enseñanza por hora (102,7 frente a 63,0) y una mayor comprensión de las necesidades de aprendizaje de los residentes [30]. La enseñanza en el quirófano no tendrá sustituto, pero los estudiantes de cirugía han descubierto que los atlas de video son un complemento de los pasos anatómicos del procedimiento [31].

Méndez et al. demostraron beneficios significativos del entrenamiento basado en video entre los estudiantes de otorrinolaringología de alto nivel que realizan disecciones complejas del cuello. El uso de un video instructivo narrado el día anterior a la operación condujo a una reducción de los errores quirúrgicos y a los eventos de toma de control del personal [32]. Para los residentes de cirugía general que realizaron una colectomía laparoscópica derecha, la revisión de un video instructivo narrado de 18 minutos en comparación con la preparación estándar fue efectiva para promover la independencia, ya que los cirujanos requirieron menos asistencia verbal y mejoraron el rendimiento quirúrgico en una escala de evaluación validada [33]. Los hallazgos que respaldan el entrenamiento basado en video existen en numerosas especialidades quirúrgicas, con mejoras más significativas observadas entre los residentes de cirugía que entre los estudiantes de medicina [34].

Teleconferencia/telemedicina

Además de grabar videos quirúrgicos, la tecnología de video se utiliza a menudo como una herramienta de colaboración en vivo en la cirugía. Los avances tecnológicos de los últimos años han ampliado las oportunidades de colaboración entre hospitales y han facilitado el intercambio de conocimientos especializados de forma virtual a través de la telemedicina. La literatura reciente ha indicado una rápida adopción de la telemedicina desde el inicio de la pandemia de COVID-19 debido al aumento de las restricciones de viaje y las medidas de control de infecciones [35, 36].

La telemedicina se define en términos generales como un subconjunto de la sanidad electrónica que utiliza redes de comunicación para facilitar la prestación de conocimientos y servicios médicos entre lugares remotos [37]. Es una herramienta en evolución, con numerosas aplicaciones en múltiples especialidades quirúrgicas, con evidencia de utilización en la prestación de atención a lugares rurales y zonas de conflicto, para difundir el conocimiento quirúrgico a regiones de recursos limitados [38].

Entre los cirujanos, la telemedicina se aplica principalmente en forma de teleconferencia y teletutoría. Sin embargo, también se ha aplicado con éxito para las consultas quirúrgicas durante el período de pandemia, siendo favorecido por los pacientes cuando se implementaron restricciones de viaje y control de infecciones [39]. Sin embargo, las limitaciones en las visitas de telemedicina sugieren que no puede reemplazar completamente las consultas perioperatorias, ya que los cirujanos no pueden examinar y evaluar el estado de salud con precisión [40]. A pesar de las limitaciones, la investigación indica una utilización significativamente mayor de la telesalud en todas las especialidades quirúrgicas después de la pandemia en comparación con antes de la pandemia [41].

Demartines et al. evaluaron el valor de la telemedicina como herramienta colaborativa para la educación quirúrgica y la atención al paciente entre seis hospitales universitarios internacionales durante 2 años. Las consultas entre estos sitios aumentaron la tasa de asesoramiento terapéutico del 55 al 95% debido a la interactividad entre los cirujanos participantes después de la presentación de casos. El ochenta y seis por ciento de los cirujanos expresaron su satisfacción con la calidad educativa de las teleconferencias, que guiaron los casos desafiantes de los pacientes y contribuyeron a la resolución de casos [42].

En los estudiantes de medicina, se descubrió que las teleconferencias permiten una comunicación más abierta, ya que los estudiantes hacen cuatro veces más preguntas que cuando están en el entorno operativo; los estudiantes también tenían menos preguntas sin respuesta en comparación con el OR [43]. Los cuestionarios posteriores a la intervención revelaron que más estudiantes encontraron valor educativo en las sesiones de enseñanza por teleconferencia en comparación con la enseñanza presencial [43]. También se observaron resultados favorables en un programa de tele tutoría robótica en 2021 entre estudiantes de secundaria que participaban en tareas de simulación de entrenamiento quirúrgico. Los resultados positivos del cuestionario indicaron viabilidad técnica y una mayor independencia [44].

Una revisión sistemática en 2018 que evaluó el valor de la tele tutoría en cirugía sugirió que los resultados educativos con tele tutoría eran equivalentes/superiores a la enseñanza presencial en el 67% de los estudios incluidos [45]. En medio de la pandemia de COVID-19 o en la migración no planificada debido a conflictos, donde la disminución de los especialistas médicos puede haber llevado a un aumento de las tasas de mortalidad [46], estos hallazgos son aún más fundamentales cuando las soluciones novedosas para brindar atención quirúrgica de manera segura son primordiales [47].

La oportunidad de realizar cursos innovadores de habilidades quirúrgicas prácticas a distancia mediante el uso de la telemedicina cumple con los objetivos educativos. En 2020, se llevó a cabo con éxito un curso práctico de hernia de esta manera: el éxito en la transición de un curso presencial a un curso remoto demuestra la capacidad de la tele tutoría para reforzar la formación quirúrgica [48].

Etiquetado de vídeo

En 2012, se realizaron 312,9 millones de cirugías con tasas de complicaciones esperadas asociadas [49]. La laparoscopia y la robótica facilitan inherentemente la grabación de videos quirúrgicos; sin embargo, el entorno quirúrgico externo al endoscopio no se incluye de forma rutinaria. En Corea del Sur, una respuesta a la negligencia quirúrgica fue exigir el registro de todo el quirófano [50].

Más allá del uso del video quirúrgico para métricas aparentemente extraíbles e intercambios de conocimientos en vivo, está la capacidad de un análisis más profundo a través de aplicaciones de IA y aprendizaje automático. El etiquetado de vídeo asigna información significativa a diferentes aspectos del vídeo sin editar, incluidas las características visuales y temporales. A través de la anotación de conjuntos de datos de video y el entrenamiento de IA, los estudios han demostrado grados de éxito en la segmentación automática del video quirúrgico en pasos constituyentes en la colecistectomía laparoscópica y la sigmoidectomía [51,52,53]. Esto incluye la identificación de instrumentos quirúrgicos y estructuras anatómicas vitales [54].

El trabajo en este campo permite la indexación automatizada de videotecas quirúrgicas, lo que requiere una mínima intervención humana. El procesamiento también puede incluir la eliminación de segmentos irrelevantes o identificables con el paciente del video quirúrgico para optimizar el almacenamiento y mantener la confidencialidad del paciente [55]. La aplicación de algoritmos de videoetiquetado quirúrgico está dirigida hacia funciones de razonamiento superiores, como el cálculo automatizado de métricas de habilidades operativas y el apoyo a la decisión clínica intraoperatoria, proporcionando orientación basada en IA [56].

El marco legal de la grabación y el almacenamiento son consideraciones importantes para el etiquetado de vídeos. La utilidad potencial del etiquetado y la grabación de vídeo en el contexto sanitario es prometedora, aunque la falta de claridad y de directrices claras en torno al uso de los datos de vídeo en el contexto sanitario son factores limitantes [57].

Análisis automático de vídeo

El uso de vídeo etiquetado e IA permite aplicaciones prácticas en la práctica diaria, lo que puede estandarizar aspectos de la evaluación quirúrgica. La investigación realizada por Khalid et al. planteó la cuestión de la impracticabilidad de la revisión de todos los videos quirúrgicos debido a la gran cantidad de casos que se realizan a diario, lo que también destaca la subjetividad de la revisión individual del cirujano. El estudio evaluó la viabilidad de los modelos de aprendizaje profundo para clasificar las acciones quirúrgicas (por ejemplo, atar nudos, pasar agujas y suturar) y estimar las puntuaciones de habilidades técnicas a partir de videos quirúrgicos. Sus resultados revelaron una precisión media del 91% en la detección de acciones quirúrgicas y una precisión media del 77% en la predicción del nivel de habilidad quirúrgica de los operadores, proporcionando datos de rendimiento que pueden mejorar la seguridad del paciente [58].

Un estudio de 2021 que evaluó la viabilidad de entrenar un algoritmo para automatizar la evaluación de la habilidad quirúrgica en la colecistectomía laparoscópica demostró una precisión del 87 ± del 0,2% para distinguir la buena y la mala habilidad quirúrgica [59]. Numerosos estudios han evaluado métodos automatizados para evaluar la habilidad quirúrgica basados en la IA a través de la cinética, como el seguimiento del movimiento de la herramienta, la mano, los ojos, el análisis de las contracciones musculares y la visión por computadora [60]. Las aplicaciones de estas evaluaciones quirúrgicas automatizadas van desde la educación quirúrgica básica hasta la avanzada, junto con la evaluación de la progresión para los exámenes de licencia quirúrgica. Esto puede permitir métodos más objetivos de evaluación quirúrgica superiores a la premisa actual de que un mayor número de casos equivale a una mayor competencia [60, 61].

Como se mencionó, la correlación entre la habilidad técnica quirúrgica y los resultados de los pacientes está bien establecida en la literatura [62]. La investigación realizada por Hung et al. investigó el uso de la IA en la evaluación quirúrgica automatizada, recopilando métricas de rendimiento (APM) a través de un novedoso dispositivo de grabación del sistema Da Vinci (dVLogger). Este grupo entrenó con éxito un algoritmo de aprendizaje automático para correlacionar las APM con los resultados de los pacientes y predecir métricas impactantes como la duración de la estancia postoperatoria con una precisión del 88,5% y la continencia urinaria después de la cirugía de próstata [63, 64]. Los parámetros quirúrgicos extraídos digitalmente muestran aplicabilidad para organizaciones que ofrecen acceso abierto a los datos de resultados de los pacientes, como el Royal College of Surgeons of England [65].

Quirófano sensible al contexto

La unificación de varias fuentes de datos en el quirófano con las tecnologías descritas anteriormente puede servir para desarrollar algoritmos con conciencia del contexto del entorno quirúrgico.

Los algoritmos han demostrado un reconocimiento preciso de la etapa de un procedimiento a partir de imágenes externas a través de cámaras sincronizadas en el quirófano, con una precisión del 84,4% en la colecistectomía laparoscópica [56]. En 2019, Bodenstedt et al. combinaron datos visuales de video endoscópico y datos de dispositivos quirúrgicos y pudieron entrenar un algoritmo para predecir el tiempo quirúrgico restante en una variedad de procedimientos quirúrgicos laparoscópicos [66]. Se están investigando otros aspectos del quirófano sensible al contexto, como el reconocimiento de herramientas que se aplicó con éxito a los videos del procedimiento de colecistectomía laparoscópica. A través del aprendizaje profundo, las herramientas quirúrgicas se clasificaron con una precisión promedio del 93,75% [67]. A través de la visión artificial, las acciones humanas también se reconocen a través de la localización de partes del cuerpo en tiempo real, lo que permite la interpretación de las interacciones del equipo. Por último, está el monitoreo de la exposición a la radiación durante los procedimientos guiados por radiografía utilizando datos del dispositivo de rayos X y el sistema de cámaras [68].

Dicho trabajo se realizó con la intención de mejorar el conocimiento de las actividades que ocurren en el entorno quirúrgico y servir para mejorar los flujos de trabajo quirúrgicos para todos los miembros del equipo. Es probable que las aplicaciones que incluyen la predicción del tiempo restante en cualquier procedimiento dado, la automatización de los informes quirúrgicos y la mitigación del riesgo de errores quirúrgicos con el apoyo a la toma de decisiones intraoperatorias se desarrollen significativamente durante la próxima década [56, 69, 70].

Ciencia de datos quirúrgicos e IA

La ciencia de datos quirúrgicos se refiere a la utilización de datos para extraer métricas valiosas y procesarlas para mejorar un aspecto de la práctica quirúrgica. Maier-Hein et al. definieron la ciencia de datos quirúrgicos, en parte, como «un campo científico emergente con el objetivo de mejorar la calidad de la atención médica intervencionista y su valor a través de la captura, organización, análisis y modelado de datos» [71].

En otros dominios de la atención médica, la ciencia de datos ha llevado a la aplicación con éxito de beneficios significativos en los campos de la imagen médica y la salud mental [72, 73]. En el campo quirúrgico, la naturaleza de alto riesgo del entorno quirúrgico y la naturaleza invasiva de la cirugía significan que la adopción de tales tecnologías es inherentemente más desafiante.

En las secciones anteriores de esta revisión se analizaron las numerosas aplicaciones de la tecnología de vídeo en cirugía hasta la fecha y la gran cantidad de datos contenidos en una grabación de vídeo quirúrgico. Los datos de vídeo suelen procesarse mediante redes neuronales convolucionales (CNN), una forma de IA utilizada principalmente en el análisis de datos visuales [74]. La práctica de la cirugía, en la actualidad e históricamente, se ha basado en el juicio y la habilidad quirúrgica del cirujano individual que realiza el procedimiento, aunque, con las tecnologías emergentes hasta la fecha, esto puede cambiar drásticamente.

Si los datos quirúrgicos se pueden extraer no solo de un solo quirófano, sino de numerosos quirófanos en todo el mundo, se pueden observar mejoras multifacéticas en el flujo de trabajo quirúrgico, el rendimiento, la educación e, inevitablemente, los resultados de los pacientes y la rentabilidad del hospital [75, 76]. Las direcciones futuras abarcarían la creación de sistemas que han recopilado y «aprendido» de miles de pacientes y quirófanos en todo el mundo para proporcionar a cada cirujano un apoyo intraoperatorio equivalente y teóricamente superior al de los cirujanos más experimentados y técnicamente talentosos [77].

El registro del campo quirúrgico y del entorno quirúrgico es cada vez más común, con el aumento de la cirugía mínimamente invasiva y robótica que requiere un endoscopio. La IA a través de la ciencia de datos ha demostrado ser capaz de desarrollar la capacidad de distinguir y diagnosticar patologías a partir de imágenes médicas [78], reconocer estructuras anatómicas a partir de imágenes operatorias [79] y replicar y automatizar la realización de tareas quirúrgicas [80]. En cuanto al flujo de trabajo quirúrgico, los beneficios se verían con los horarios hospitalarios con la capacidad de predecir las fases quirúrgicas en tiempo real, lo que daría al personal quirúrgico una mayor conciencia del tiempo restante del procedimiento [81]. La ciencia de datos quirúrgicos permitirá extraer toda la información relacionada con el proceso quirúrgico y vincularla con los resultados de los pacientes, lo que conducirá a prácticas óptimas más consistentes por parte de los cirujanos.

Discusión y conclusión

La innovación en las prácticas quirúrgicas ha propiciado el avance de la especialidad y la optimización de la atención al paciente. La innovación tecnológica reciente ofrece el potencial de identificar factores que conducen a una práctica quirúrgica óptima, evolucionando la educación quirúrgica e identificando la postura de la ciencia de datos en el campo. La investigación clínica preliminar y temprana destaca la utilidad potencial de la tecnología quirúrgica, la inteligencia artificial y las aplicaciones de investigación que existen cuando se recopilan datos del quirófano, en particular el video operatorio.

Sin embargo, la progresión de este campo está estrechamente relacionada con la disponibilidad de bibliotecas de datos de alta calidad, en este caso, el vídeo quirúrgico. Existen conjuntos de datos disponibles públicamente para su uso por parte de las sociedades de investigación, como el conjunto de datos Cholec80 [52], aunque estos son limitados. Una revisión sistemática de los modelos de aprendizaje automático pone de manifiesto que para seleccionar algoritmos para etiquetar y procesar procedimientos más complejos, se requieren conjuntos de datos más extensos; Sin embargo, la mejora de la potencia de cálculo y los algoritmos puede facilitar esto [82]. No obstante, el requisito de anotación y procesamiento manual sigue siendo un obstáculo para el desarrollo de la visión artificial. Una solución escalable a esto sería el crowdsourcing a personal no especializado, aunque esto no se puede hacer para pasos más técnicos en los que sería necesario reclutar personal quirúrgico [83].

La recopilación de volúmenes suficientes de datos quirúrgicos puede ser problemática en el quirófano estándar, por lo que aún es necesario implementar una infraestructura para recopilar y compartir datos. Sin embargo, Maier-Hein et al. han detallado una extensa hoja de ruta identificando muchas barreras y sus soluciones para traducir los conceptos clínicos probados a la práctica quirúrgica, lo que hace evidente que la evolución de la práctica quirúrgica requerirá cambios culturales significativos entre las sociedades quirúrgicas y las poblaciones de pacientes para aumentar el conocimiento y la aceptabilidad de las soluciones digitales [83]. Además, las consideraciones legales y éticas también siguen siendo un obstáculo con respecto a la recopilación y el uso de los datos de los pacientes.

Trasladar soluciones novedosas a la práctica clínica requerirá una colaboración interdisciplinaria masiva, estableciendo una hoja de ruta acordada para integrar la recopilación y el procesamiento de datos y la integración cuidadosa y el ensayo de soluciones digitales. Deben hacerse esfuerzos para aumentar la aceptabilidad de la grabación de vídeo en el quirófano, educando a las partes pertinentes sobre los beneficios futuros y facilitando las asociaciones entre los centros quirúrgicos y los proveedores de infraestructuras comerciales. Además, es pertinente continuar estableciendo y haciendo crecer las redes de colaboración de científicos de datos e investigadores quirúrgicos para aumentar la conciencia de los beneficios de compartir datos con el desarrollo de protocolos estandarizados y medidas de confidencialidad. Los cirujanos deben tener en cuenta los procedimientos éticos y legales que rodean la utilización de los datos de los pacientes y deben establecerse directrices exhaustivas para garantizar la protección de la confidencialidad de los pacientes.

El quirófano ha evolucionado a lo largo de las décadas. Con el advenimiento de la tecnología inteligente, el almacenamiento masivo de datos y la conectividad deben instalarse y capitalizarse a nivel mundial para beneficiar a los proveedores de salud y a los pacientes.

Operating Room of the Future (FOR) Digital Healthcare Transformation in the Age of Artificial Intelligence

• Cristina Trocin, Jan Gunnar Skogås, Thomas Langø & Gabriel Hanssen Kiss 

El Quirófano del Futuro (FOR), que es una infraestructura de investigación y una clínica universitaria integrada desarrollada a partir de una colaboración multidisciplinaria entre el Hospital St. Olav de Noruega y la Universidad Noruega de Ciencia y Tecnología (NTNU) e iniciativas clave relacionadas. a la tecnología de IA. El objetivo principal de estos proyectos es ayudar a los profesionales médicos a combinar su experiencia con una novedosa tecnología de inteligencia artificial para mejorar su desempeño laboral. En las siguientes secciones, presentamos nociones importantes sobre la transformación digital en la atención médica con un enfoque en la tecnología de inteligencia artificial. Luego, discutimos las estrategias y políticas desarrolladas en la UE y Noruega como parte de la transformación digital.

La transformación digital (DT) tuvo y sigue teniendo un profundo impacto en la forma en que creamos nuestra realidad social [ 10 ]. La palabra digital está omnipresente en las actividades cotidianas y está transformando la forma en que operan las organizaciones en la nueva realidad virtual [ 11 , 12 ]. Nos referimos a la transformación digital como «un proceso que tiene como objetivo mejorar una entidad provocando cambios significativos en sus propiedades a través de combinaciones de tecnologías de información, informática, comunicación y conectividad» [ 13 ]. Recientemente, DT ha desplazado su influencia de los meros aspectos técnicos de la creación de una herramienta virtual hacia la interacción entre humanos y dispositivos electrónicos, lo que requiere atención e investigación específicas para poder explotar sus oportunidades y ser conscientes de sus desafíos [1 ] . Dada la cantidad sin precedentes de tecnologías digitales e información omnipresente, las organizaciones deben comprender la forma en que se han desarrollado dichas tecnologías, la forma en que se implementan en las organizaciones y con qué consecuencias para la gestión [ 14 ].

Varios ejemplos muestran cómo las tecnologías digitales están transformando múltiples industrias. Por ejemplo, las telecomunicaciones se centraron en plataformas de sistemas operativos como Android e iOS y en el desarrollo de aplicaciones móviles para ganar valor y mantener su propia posición en el mercado [ 15 , 16 ]. Otro ejemplo se refiere a dinámicas dentro de la industria de viajes que tomaron otro camino con la llegada de plataformas digitales peer-to-peer como Airbnb, TripAdvisor, Booking.com y otras, que trasladaron el poder de control de los proveedores hacia los clientes finales. durante el proceso previo y posterior a la adquisición [ 11 , 17 ]. De hecho, la evaluación de los clientes adquirió no sólo impactos sociales sino también económicos en muchas empresas de diversos sectores, actuando como un boca a boca electrónico siempre disponible en línea [ 18 ]. Por lo tanto, las plataformas digitales están cambiando la forma en que las personas interactúan [ 19 ], y las nuevas plataformas de pago están reconfigurando los métodos de pago haciéndolos disponibles en cualquier momento y lugar. Otro ejemplo se refiere a la industria de la salud, que por definición es una industria intensiva en conocimiento e información y está avanzando al brindar información médica disponible a través de registros médicos electrónicos [ 20 , 21 ], aplicaciones de salud móviles [ 22 ] y más en general con plataformas de intercambio de información sanitaria (HIE) [ 20 , 23 ].

La implementación de tecnologías digitales en la atención sanitaria ofrece nuevas oportunidades para mejorar la calidad de los servicios sanitarios y reducir los costes mediante el procesamiento de datos y el intercambio inteligente de información [ 10 , 20 , 24 ]. Las tecnologías digitales son particularmente beneficiosas para mejorar los procesos internos y externos de los centros de salud y para gestionar una gran cantidad de información médica [ 25 , 26 ]. Por lo tanto, la generación, almacenamiento y procesamiento de información digital es el elemento vital de la transformación digital. Esto permite explotar diferentes ventajas de la distribución intra e interorganizacional de recursos limitados con una perspectiva centrada en el paciente [ 27 ], para facilitar las interacciones entre múltiples actores de la atención médica y optimizar los procesos internos [ 10 , 23 ].

La transformación digital en salud no involucra sólo a unos pocos países, sino que tiene una magnitud internacional o mejor dicho global. Por ejemplo, la Unión Europea desarrolló una iniciativa de innovación en salud y atención digitales en el contexto de la Estrategia del Mercado Único Digital 2021-2027.^Nota1 para mejorar la interoperabilidad de los sistemas sanitarios, su calidad y acceso en todos los países europeos. Estrategia de salud de Nueva Zelanda 2017-2027^Nota2 definió los cuatro componentes centrales que guiarán las inversiones digitales estratégicas para los próximos años. Estrategia australiana de salud digital^Nota3 describió siete prioridades estratégicas para fomentar un sistema centrado en el paciente y brindar opciones, control y transparencia. La política a nivel global proporciona inversiones financieras para fomentar la transformación digital en la atención sanitaria. Entre las iniciativas globales, los registros sanitarios electrónicos (EHR) y, más en general, el desarrollo de plataformas sanitarias desempeñaron un papel estratégico [ 28 ]. Su objetivo principal es almacenar información médica digital a lo largo del tiempo y compartirla con actores sanitarios autorizados [ 29 ]. Se implementan como vehículos para mejorar la comunicación entre actores y aumentar la coordinación con altos niveles de confiabilidad. Su implementación es valiosa también para fines administrativos y transacciones de pacientes, ya que contienen información personal de los pacientes y están disponibles en el tiempo y el espacio [ 30 ]. EHR tiene la posibilidad de combinar datos clínicos y financieros para contener los costos y mejorar la calidad de la atención, lo que también cuenta con el respaldo de iniciativas políticas para apoyar la transformación digital de la atención médica.

3 Tecnología de inteligencia artificial como parte de la transformación digital en la atención sanitaria

Están surgiendo nuevas iniciativas bajo el paraguas de la transformación digital en la atención médica, como la inteligencia artificial (IA) y el análisis médico, para desarrollar conocimientos mejores y más profundos más allá de las capacidades de los expertos humanos mediante la entrega de conocimientos granulares y microdirigidos [ 31 ]. La IA se utiliza ampliamente para limpiar y analizar datos estructurados y no estructurados de múltiples fuentes. Dado que los analistas de datos dedican la mayor parte de su tiempo a limpiar y organizar datos, la IA se ha utilizado ampliamente para acelerar este proceso y, al mismo tiempo, ahorrar tiempo y hacerlo más eficiente [ 32 ]. La IA puede generar conocimientos de forma autónoma para tomar acciones basadas en información extraída de conjuntos de datos para alcanzar un conjunto de objetivos. Nos referimos a la IA como «la capacidad de un sistema para identificar, interpretar, hacer inferencias y aprender de los datos para lograr objetivos organizacionales y sociales predeterminados» [ 33 ].

De acuerdo con esta definición, la inteligencia artificial se ha utilizado cada vez más para analizar grandes cantidades de información médica recopilada a través de dispositivos digitalizados de múltiples fuentes en unidades de atención médica para ofrecer beneficios operativos, organizativos, administrativos y estratégicos de infraestructura de TI [ 34 , 35 ] y para permitir el cambio hacia una atención basada en valores sobre el volumen [ 36 ], mientras que el término «análisis médico» se refiere al análisis descriptivo e interpretativo de datos digitalizados con métodos estadísticos avanzados, minería de datos y aprendizaje automático para la resolución de problemas y algorítmicos (apoyando o conducción) toma de decisiones [ 37 ]. Los análisis tienen el potencial de dar sentido a la información creada por personas definidas también como «generadores de datos ambulantes» [ 38 ]. Son prometedores por su capacidad para recopilar no solo datos estructurados sino también no estructurados para identificar conexiones y patrones en vastos conjuntos de datos [ 39 ], rastrear y perfilar comportamientos detallados de los pacientes [ 40 ] y hacer predicciones basadas en algoritmos [ 41] . ].

Estudios anteriores investigaron este fenómeno centrándose en su dualidad inherente. Por un lado, los análisis avanzados han sido eficaces para aumentar la competitividad de las empresas [ 42 ], haciendo mejores predicciones y decisiones más informadas [ 43 ]. Por otro lado, han sido criticados por violación de la privacidad, ya que distorsionan la relación de poder sobre la información personal [ 44 ], explotan a individuos con fines de recopilación de datos [ 45 ], comparten información con otras organizaciones más allá de los propósitos de los consentimientos otorgados por los individuos [ 46 ], y restringir sus opciones a través de algoritmos para elaborar perfiles de individuos [ 47 ]. A pesar de los beneficios prometedores, la agregación y el uso de la información extraída de grandes conjuntos de datos desafían las normas sociales y éticas aceptadas [ 40 ]. Específicamente, las preocupaciones éticas surgen de la sensibilidad de los datos y de las oportunidades ilimitadas y desconocidas que pueden surgir de patrones y conexiones identificados en vastos conjuntos de datos, que podrían limitar u oscurecer totalmente estos beneficios prometidos [ 48 ].

Las preocupaciones éticas se volvieron aún más generalizadas porque los procesos sociales, las transacciones comerciales y las decisiones gubernamentales se delegan cada vez más a análisis avanzados como algoritmos, aprendizaje automático, aprendizaje profundo y análisis de big data [ 49 ]. La promesa de dar sentido a la información recopilada en grandes conjuntos de datos también va acompañada de la discriminación contra grupos desfavorecidos, la incertidumbre sobre cómo y por qué se han logrado decisiones basadas en algoritmos (explicabilidad), qué reglas se han aplicado y a qué información específica en el sistema. Los conjuntos de datos como análisis tienen la capacidad de modificar parámetros y reglas operativas. Por lo tanto, surgieron más desafíos y preocupaciones éticas con la complejidad de los análisis y su interacción con los resultados de otros [ 49 ]. Los autores desarrollaron un mapa para un diagnóstico riguroso de las preocupaciones éticas que surgieron con algoritmos. Discutieron tres tipos epistémicos de preocupaciones éticas que se refieren a la calidad de la evidencia proporcionada por los algoritmos y dos tipos normativos de preocupaciones éticas, que se refieren a la “justicia” de las acciones tomadas con base en los resultados de los algoritmos y sus efectos. Este marco se utilizó para realizar una síntesis de la literatura anterior y proporcionar una agenda de investigación para futuros estudios para desarrollar una IA responsable para la salud digital [ 50 ].

Además, la tecnología de IA a menudo proporciona resultados significativamente diferentes de los elaborados por los expertos, el llamado problema de opacidad de la IA [ 51 ]. En estas circunstancias, cuando los expertos intentan comparar el razonamiento detrás de sus resultados con la lógica y los procedimientos seguidos por los algoritmos, resulta difícil o casi imposible no sólo para los expertos sino también para los desarrolladores de algoritmos debido al problema de la caja negra. Un estudio reciente destacó la cuestión de entrenar y evaluar algoritmos solo en aspectos de conocimiento, mientras que los expertos utilizan prácticas ricas en conocimiento en su trabajo diario [ 9 ]. Aunque se captura digitalmente más información que puede contribuir a tomar decisiones más informadas y basadas en evidencia, al mismo tiempo, los algoritmos pueden reducir la transparencia de los resultados, ya que proporcionan resultados de caja negra. Por un lado, la IA conlleva la promesa de una mayor objetividad y justicia al mitigar los prejuicios humanos. Por otro lado, la IA plantea importantes desafíos éticos relacionados con la calidad de la evidencia proporcionada que puede no ser concluyente, inescrutable o equivocada, lo que lleva a resultados injustos y efectos transformadores inesperados [ 50 ]. Por ejemplo, la introducción de algoritmos de contratación en las organizaciones da forma a la noción de equidad de diferentes maneras, confirmándola y cuestionándola en diferentes fases de implementación [ 4 ].

Los análisis médicos se caracterizan por características únicas, como la capacidad de agregar, procesar y analizar enormes volúmenes de información médica para transformarla en información procesable [ 52 ]. Para materializar esta característica en el contexto de la atención sanitaria, es necesaria una comprensión profunda de la gestión del ciclo de vida de la información (ILM). Entre las diversas definiciones de capacidad analítica, nuestro estudio adopta la perspectiva ofrecida por Wang y Hajli [ 52 ], que la definieron como «la capacidad de adquirir, almacenar, procesar y analizar grandes cantidades de datos de salud en diversas formas y entregar información significativa». a los usuarios, lo que les permite descubrir valores e ideas de negocio de manera oportuna” (p. 290). En consecuencia, la analítica se utiliza cada vez más en el proceso de creación de conocimiento mediante la recopilación, elaboración y visualización de información valiosa para la toma de decisiones [ 51 ]. Hay varias categorías de análisis médicos [ 35 , 52 ] en la atención sanitaria (Tabla 1 ).

Tabla 1 Capacidades de inteligencia artificial (adaptado de Wang et al. [ 35 ] y Wang & Hajli [ 52 ])

De: Quirófano del Futuro (FOR) Transformación de la atención sanitaria digital en la era de la inteligencia artificial

La capacidad descriptiva se refiere al resumen de datos históricos en formatos digitales, donde un procesamiento paralelo de alta velocidad ayuda a comprender mejor lo que sucedió en el pasado. Aunque la capacidad utilizada para sintetizar rápidamente grandes cantidades de datos de salud para comparar intervenciones médicas en entornos de atención permite a los actores de la atención mejorar la calidad de los servicios de atención al brindar atención centrada en el paciente, pocos estudios analizan el análisis descriptivo [ 55 ]. Una revisión reciente destacó la importancia de recopilar y analizar datos con métodos analíticos para describir situaciones específicas de pacientes específicos, para comprender lo que les sucedió a través de la categorización del conocimiento a partir de vastos conjuntos de datos [ 34 ]. Las técnicas de elaboración de perfiles y clasificación de individuos en grupos en función de cualquier característica determinada para respaldar intervenciones realistas de salud pública son técnicas ampliamente utilizadas para hacer recomendaciones procesables e interpretables [ 54 ]. A partir de la categorización de esta información, se calculan pequeños patrones o correlaciones, que crearon grupos de grupos según su comportamiento, preferencias y otras características [ 53 , 56 ].

La capacidad predictiva se basa en un conjunto de herramientas estadísticas sofisticadas para desarrollar modelos y estimaciones para pronosticar el futuro de una variable específica, lo que ayuda a comprender lo que sucederá en el futuro. El uso de análisis avanzados para predecir patrones futuros de comportamiento de atención fue la capacidad más popular en la atención médica porque las predicciones en la atención médica parecen considerarse más valiosas que la explicación, ya que los resultados de los algoritmos se miden en vidas [ 34 , 39 , 65 , 66 ]. Por ejemplo, un algoritmo puede calcular las preferencias y objetivos terapéuticos individuales de los pacientes, la dotación de personal del hospital (incluida la experiencia y el desempeño de los miembros del personal), las limitaciones de recursos y las condiciones externas, como si otros hospitales están desviando a los pacientes al departamento de emergencias en el caso de una emergencia. desastre [ 53 ]. Los algoritmos que hacen predicciones y sugieren decisiones basadas en probabilidades se consideraron una aplicación ideal porque el algoritmo controlado por IA predice la trayectoria de admisión significativamente mejor que los médicos, que tienen una tasa de error promedio de alrededor del 30% [41 ] . También se utilizaron intensamente para hacer recomendaciones de tratamiento para mejorar los resultados de salud generales en una población. Sin embargo, estas recomendaciones pueden entrar en conflicto con las obligaciones éticas de los médicos de actuar en el mejor interés de cada paciente [ 53 ].

La capacidad prescriptiva permite a los usuarios mejorar automáticamente la precisión de la predicción al incorporar nuevos conjuntos de datos para desarrollar decisiones más exhaustivas con respecto a los diagnósticos y tratamientos. A continuación, Wang et al. [ 35 ] identificaron categorías adicionales, que son más avanzadas y sofisticadas. La capacidad analítica procesa registros sanitarios masivos (datos estructurados recopilados dentro de las unidades de atención sanitaria) para identificar patrones de atención y descubrir asociaciones. Permite a las organizaciones de atención médica procesar en paralelo grandes volúmenes de datos, manipular datos en tiempo real o casi en tiempo real y capturar todos los datos visuales o registros médicos de todos los pacientes. La capacidad analítica de datos no estructurados procesa datos masivos de atención médica (datos no estructurados y semiestructurados recopilados en múltiples unidades de atención médica, por lo que no encajan en modelos de datos predefinidos) para identificar patrones de atención desapercibidos.

La capacidad de toma de decisiones comparte información y conocimientos, como informes históricos, resúmenes ejecutivos, consultas de desglose, análisis estadísticos y comparaciones de series temporales. Proporciona una visión integral de la medicina basada en evidencia, para detectar advertencias avanzadas para la vigilancia de enfermedades y para desarrollar una atención personalizada al paciente. Los sistemas de inteligencia artificial se usaban comúnmente para recopilar datos estructurados y no estructurados para ayudar automáticamente a la toma de decisiones médicas basadas en las recomendaciones realizadas mediante el reconocimiento de patrones [ 3 , 32 , 53 , 59 ]. Uno de los principales beneficios se refería a la posibilidad de comparar datos de múltiples fuentes e identificar posibles soluciones visibles en forma de árboles. La IA se utilizó intensivamente para crear un conocimiento más profundo e identificar las lógicas subyacentes al modelado predictivo de IA [ 54 ]. Los nuevos conocimientos extraídos de datos relacionados con la salud fueron extremadamente útiles para detectar una enfermedad y decidir el tratamiento a seguir [ 67 ]. Por tanto, el proceso de toma de decisiones se delegó parcialmente a la analítica avanzada. Esta delegación se ha traducido también en el diseño de algoritmos al inscribir a los desarrolladores en la visión de quién será responsable de los errores a través del grado de integración social y reflexión permitido en el uso [ 68 ]. La capacidad de toma de decisiones se combina con la «capacidad de presentación de informes» para organizar los datos recopilados de manera fácilmente comprensible, como describir la información contenida en los conjuntos de datos para fines específicos [ 34 ].

La capacidad de vigilancia ofrece la oportunidad de investigar y monitorear acciones pasadas con base en la información recopilada indirectamente, como la hora, el actor de atención que realizó esa acción, las notas tomadas en bases de datos y la información consultada en base a cuentas específicas y otros. Por ejemplo, los pacientes ahora tienen la posibilidad de poseer información de salud en cualquier momento y tomar decisiones en la vida cotidiana relacionadas con la atención médica, la prevención de enfermedades y la promoción de la salud [ 69 ]. Aunque no poseen la experiencia para que el médico interprete la información recibida de las visitas médicas anteriores y no pueden realizar un autodiagnóstico, el paciente está capacitado para conocer la información recopilada, lo que requiere una mayor participación del paciente y también cierta alfabetización digital y sanitaria. . Los pacientes ya no son considerados receptores pasivos de los servicios sanitarios. Este aspecto ya estaba inscrito en el diseño de análisis para una mayor transparencia para poder realizar esas acciones [ 58 , 67 ] como lo reconocen también los responsables políticos [ 64 ]. A partir de estos datos indirectos, también fue posible comprender la suposición de las acciones realizadas, lo que podría ayudar a la trazabilidad.

La capacidad de corregir errores ofrece la oportunidad de ajustar los resultados erróneos de los algoritmos que contribuyeron a una decisión mayor [ 68 ]. Los resultados de los análisis avanzados eran propensos a errores, como se analizará en la siguiente sección. Por tanto, dicha capacidad será extremadamente beneficiosa para corregir los resultados proporcionados por los algoritmos. Aumentará la conciencia sobre los posibles errores creados por los sistemas de IA, que estarán entrenados para detectar dichos errores para corregirlos o tenerlos en cuenta a la hora de tomar la decisión. Por lo tanto, los diseñadores necesitarán desarrollar la capacidad de cuestionar los resultados proporcionados por las herramientas de IA, y esto se puede lograr analizando el proceso seguido por la IA y extrayendo información significativa para futuras reflexiones. Por último, la trazabilidad rastrea los datos de salida de los componentes de TI del sistema en todas las unidades de servicio de la organización. Ejemplos de datos relacionados con la atención médica son datos de costos, datos clínicos, datos de I+D farmacéuticos, comportamiento del paciente y datos de sentimiento de pagadores, servicios de atención médica, compañías farmacéuticas, consumidores y partes interesadas ajenas a la atención médica.

La inteligencia artificial y el análisis médico tienen el potencial de generar múltiples beneficios, pero al mismo tiempo, van acompañados de importantes desafíos éticos [ 50 , 70 ] ya que los «generadores de datos ambulantes» (individuos) a menudo desconocen cómo se utilizan sus datos. , para qué fines y por quién [ 37 ]. Por lo tanto, el uso cada vez mayor de big data que contiene información personal y sensible y la creciente dependencia de algoritmos para dar sentido a estos datos e identificar patrones de comportamiento plantean preocupaciones sobre la equidad, la responsabilidad y los derechos humanos [ 70 ]. Los académicos desviaron su atención de los medios tecnológicos hacia el contenido (información) creado por estas tecnologías, que se compone de diferentes dimensiones morales. La información se utiliza cada vez más como evidencia para tomar decisiones y elegir, cuyos resultados exigen enfoques éticos para abordar la creación, el intercambio, el almacenamiento, el uso y la protección de la información. Sin embargo, la ética se refiere primero a la recopilación, agregación, uso y análisis de grandes conjuntos de datos y luego a la información, creando así un cambio semántico [ 40 ].

4 Transformación de la atención sanitaria digital en Europa y Noruega

Para apreciar la transformación digital en la atención médica, es útil comprender iniciativas más amplias desarrolladas por la Unión Europea (UE) y Noruega que están comprometidas con políticas y acciones para brindar servicios digitales de alta calidad. El objetivo final es empoderar a los ciudadanos para construir una sociedad más saludable y ofrecer servicios de salud centrados en los ciudadanos. La máxima aspiración es ayudar a los ciudadanos a cuidar su salud y prevenir futuras enfermedades. De hecho, una de las soluciones más deseables para reducir los costos de atención es prevenir cualquier tipo de enfermedad. Esto significa educar a los ciudadanos para que desarrollen estilos de vida saludables y eviten malos comportamientos en el presente, que podrían conducir a posibles enfermedades en el futuro. Si el objetivo de empoderar a los ciudadanos para la prevención no logra los resultados deseados, los ciudadanos recibirán servicios de salud innovadores para responder a su demanda de salud siguiendo un enfoque centrado en el ciudadano .

La Unión Europea se centra en tres prioridades.^Nota4 El primero es proporcionar a los ciudadanos un acceso seguro a datos personales de salud a través de las fronteras de la UE; el segundo se refiere a la implementación de la medicina personalizada a través de una infraestructura de datos europea compartida, mientras que el tercero se centra en aumentar el empoderamiento de los ciudadanos para alentar a las personas a cuidar su salud y estimular las interacciones entre los pacientes y los proveedores de atención. El objetivo es volverse más resilientes, accesibles y eficaces a la hora de ofrecer una atención de calidad a los ciudadanos europeos.^Nota5 La implementación de nuevas tecnologías tiene como objetivo fomentar cambios organizacionales en diferentes departamentos y actividades laborales alternativas. Las herramientas digitales se crean, distribuyen y utilizan conjuntamente involucrando directamente a los usuarios finales y fomentando conscientemente un entorno altamente colaborativo. De hecho, la contribución de los pacientes y de otros actores activos representa la piedra angular de un ecosistema sanitario digital interactivo. Un estado continuo de evolución y una contribución constante de los usuarios finales crean cambios inesperados que pueden permitir nuevos patrones de comunicación e interacción.

La transformación digital de la atención sanitaria puede fomentar la transición hacia nuevos modelos de atención centrados en las necesidades de los pacientes. La contribución de los pacientes representa una piedra angular para la creación de servicios útiles y utilizables para las actividades cotidianas y, al mismo tiempo, acaba enriqueciendo la construcción de un nuevo ecosistema digital sanitario. La innovación radica en la integración de diferentes necesidades de todas las categorías involucradas en un espacio abierto para el diálogo, la escucha, la cocreación y la negociación de propuestas de soluciones innovadoras comunes [ 30 ]. El objetivo es ofrecer servicios de salud digitales personalizados y dar acceso a información médica desmaterializada, gestionar información médica personal, monitorear el proceso de atención médica continua personal, estar al tanto del proceso de atención médica, comprender cómo funciona el sistema de salud (transparencia). , y ser responsable de la gestión de los datos médicos personales (empoderamiento y sensibilización del paciente).

El sistema de atención centrado en el paciente puede verse como una asociación entre cuidadores y destinatarios de la atención para diagnosticar y prescribir un tratamiento adecuado. Seis aspectos son fundamentales para definir este concepto, que son la toma de decisiones compartida, el apoyo psicosocial, el acceso a la información, el acceso a la atención, la coordinación de la atención y la autogestión [ 71 ]. Con el uso de las nuevas tecnologías digitales emerge un nuevo paradigma sanitario, que transforma la prestación de servicios sanitarios para acercarlos al paciente guiado por las siguientes estrategias. (1) La eficiencia tiene como objetivo reducir los costes sanitarios evitando intervenciones diagnósticas innecesarias y aumentando la comunicación entre las instituciones sanitarias y el paciente. Al mismo tiempo, se compromete a garantizar la calidad de los servicios de salud mediante comparaciones entre diferentes proveedores para mejorar la calidad entregada (2). Fomentar el empoderamiento de los pacientes (3) haciendo accesibles los datos personales, la historia clínica, el diagnóstico y el tratamiento a través de plataformas digitales y haciendo más responsable el proceso de información asistencial. Aumentar la calidad de la relación médico-paciente para facilitar la toma de decisiones compartida es una consecuencia directa del empoderamiento del paciente [ 27 ]. La transformación digital del sector sanitario aumenta la probabilidad de mantener y mejorar aún más estas estrategias. La calidad de la atención sanitaria no es sólo una preocupación médica, sino también el proceso para alcanzar resultados de atención excepcionales, que es una de las principales prioridades del sistema sanitario noruego.

Noruega es uno de los países más innovadores y tecnológicos y está constantemente comprometido con la transformación del sistema de salud y bienestar con nuevas herramientas, servicios o tecnologías. Las iniciativas clave se refieren al desarrollo de registros médicos electrónicos (EHR), recetas electrónicas y algoritmos. Ellingsen y Monteiro [ 72 ] proporcionaron una perspectiva cronológica de la EHR de la siguiente manera. A mediados de la década de 1980, un grupo de técnicos de laboratorio de un hospital central destacaron la necesidad de crear un sistema que respaldara los procesos de trabajo internos compartiendo los archivos necesarios para realizar las tareas diarias. Durante los siguientes 10 años, este grupo y otros hospitales continuaron desarrollando una red de computadoras y otras características importantes como escribir documentos clínicos de cada paciente y compartirlos con la red. En 1997 se creó una sociedad anónima para seguir la implementación del nuevo sistema en hospitales más pequeños. Aumentó el número de usuarios y hospitales que se adhirieron a esta iniciativa, se han contratado más empleados y nuevos desafíos minaron la coordinación interna. En 2002, el sistema de salud noruego creó autoridades sanitarias regionales, que se encargaban de gestionar la adquisición de nuevos sistemas en los hospitales mediante licitaciones públicas. Esto desencadenó nuevas necesidades para distintos tipos de usuarios a nivel regional, las cuales eran difíciles de satisfacer. Dichos cambios llevaron a rediseñar el proceso del software de HCE y a redefinir el contenido de la HCE de forma dinámica. Para trabajar en nuevas actividades se utilizó un enfoque de gestión de proyectos, que se utilizó cada vez más en los años siguientes.

El proceso de transformación del sistema sanitario continuó durante el año 2000 con el plan eNorway,^Nota6 , que permitió a los pacientes comunicarse con sus médicos y el hospital a través de plataformas digitales como el historial médico electrónico (EHR). Esto dio a los ciudadanos la libertad de elegir al médico de familia en línea, recibir resultados médicos del hospital en línea y tener acceso a sus propios datos médicos con referencias y registros médicos en cualquier momento. El plan eNorway ofrecía soluciones de telemedicina mediante la implementación de banda ancha en hospitales y servicios primarios de salud. Fue un servicio esencial durante la pandemia de COVID-19. El sistema público de salud brinda consultas de telesalud desde la década de 1990; por lo tanto, podría confiar en la experiencia previa para mejorar aún más esta tecnología y compartir imágenes médicas de alta calidad para ayudar a realizar diagnósticos.

A partir de 2022, Noruega planea implementar un nuevo EHR unificado, llamado EPIC, el programa regional de Plataforma de Salud [ 73 ]. El nuevo sistema se adquirió mediante un proceso de licitación y con el fin de unificar los distintos sistemas de registros de pacientes que se utilizan actualmente en las organizaciones de atención médica. El objetivo es reducir la fragmentación de la información y facilitar la coordinación intersectorial. EPIC se implementará primero en el municipio de Trondheim y luego en otros municipios del centro de Noruega. Es importante señalar que los consultorios de los médicos de cabecera son un negocio privado y tienen la posibilidad de decidir si implementarlo o no.

Las recetas electrónicas son otra iniciativa clave de la transformación digital en el sector sanitario en Noruega, que comenzó a adoptarse ampliamente a partir de 2011 [ 74 ]. Las recetas digitales tienen como objetivo apoyar a los médicos generales en la actividad de recetar medicamentos a sus pacientes o realizar visitas médicas a hospitales u otras organizaciones sanitarias. Los primeros borradores de las recetas se desarrollaron desde la década de 1990; sin embargo, los resultados fueron desalentadores. Sólo en 2011 un despliegue a gran escala logró resultados positivos. Hasta 2013, las recetas electrónicas se implementaron en los consultorios y farmacias de los médicos generales (GP) de todos los municipios.^Nota7

El sistema sanitario noruego ha sido un modelo para otros países del mundo y está desarrollando nuevos modelos de atención sanitaria basados ​​en datos digitales y tecnologías avanzadas para avanzar hacia un enfoque más preventivo presentado en The Nordic Health 2030.^Nota8 En consonancia con esto, Noruega desarrolló una estrategia nacional para la inteligencia artificial con el fin de crear una buena base para que la IA mejore la capacidad de innovación en múltiples sectores, como el de la salud.^Nota9 Otra forma de desencadenar la transformación de la atención sanitaria digital en Noruega es mediante la construcción de quirófanos que utilicen las tecnologías más avanzadas para respaldar el trabajo médico en tiempos críticos. En la siguiente sección presentamos el caso del Quirófano del Futuro (FOR) en Trondheim, Noruega.

5 ¿Cuál es el quirófano del futuro?

El Quirófano del Futuro (FOR) es una infraestructura de investigación y una clínica universitaria integrada desarrollada a partir de una colaboración multidisciplinaria entre el Hospital St. Olav de Noruega,^Nota10 la Universidad Noruega de Ciencia y Tecnología (NTNU),^Nota11 y el instituto de investigación independiente y sin fines de lucro SINTEF.^Nota12 Las tres entidades desarrollaron las bases de la infraestructura en términos de propuestas de financiamiento, contenido científico, logística y otros entre 2003 y 2005. Del 2006 al 2012 se han desarrollado dos quirófanos para cirugía laparoscópica y enfermedades vasculares cercanos al quirófano existente.

 Se equipó una sala de conferencias interactiva con transmisión HD para observar los procedimientos operativos y comunicarse directamente a través de canales dedicados de audio y video. Desde 2013 hasta la actualidad se han desarrollado nuevos quirófanos dentro de disciplinas quirúrgicas como neurocirugía, gastrointestinal, otorrinolaringología (ENT), ortopedia y ginecología (Fig. 1 ). FOR es ahora un departamento dependiente del director de investigación y desarrollo del hospital St. Olav y del Departamento de Circulación e Imágenes Médicas de la Facultad de Medicina de NTNU.

Diversas partes interesadas, como médicos, candidatos a doctorado, tecnólogos, científicos y la industria, llevan a cabo investigaciones de vanguardia en estos seis quirófanos. Son «laboratorios» únicos para desarrollar, probar e implementar nuevas tecnologías y nuevas modalidades de tratamiento con un enfoque en el tratamiento de pacientes y la tecnología médica mínimamente invasivos guiados por imágenes [ 75 ]. Este campo de investigación y desarrollo investiga la mayoría de los equipos médicos modernos, como la inteligencia artificial (IA), el aprendizaje automático (ML), el aprendizaje profundo (DL), las redes neuronales y la integración de herramientas de visualización avanzadas, brazos robóticos y otros. Los seis quirófanos FOR se han convertido en una importante plataforma de investigación clínica para terapias mínimamente invasivas y para el desarrollo de tecnología médica. El objetivo general es mejorar la atención al paciente, desarrollar una logística más eficiente y una mejor arquitectura de los departamentos operativos. El Consejo de Investigación de Noruega apoyó financieramente el desarrollo de FOR; forma parte de la infraestructura de investigación nacional NorMIT (centro noruego de terapias guiadas por imágenes mínimamente invasivas y tecnologías médicas)^Nota13 y coopera con el Centro de Intervención del Hospital Nacional de Oslo.

Cada vez son más los proyectos de investigación que se llevan a cabo en el Quirófano del Futuro (FOR) en varios campos. Apoyo a la toma de decisiones en el diagnóstico del cáncer de pulmón.^Nota14 es un proyecto en curso que integra e implementa nuevas herramientas para el análisis de imágenes y el apoyo a la toma de decisiones en la atención al paciente con cáncer de pulmón. Un equipo multidisciplinario (MDT) está desarrollando una tecnología digital para respaldar la evaluación y el tratamiento del paciente [ 76 ]. La inteligencia artificial (aprendizaje automático) se utiliza para analizar la TC y la PET-CT del paciente para encontrar anatomía y patología (tumor) normales. Se utiliza especialmente para la detección y segmentación automática de estructuras anatómicas mediastínicas y ganglios linfáticos potencialmente malignos para un diagnóstico preciso del cáncer de pulmón.

En línea con el diagnóstico del cáncer, FOR desarrolló recientemente el proyecto titulado IDEAR: Mejora del diagnóstico del cáncer en endoscopia flexible utilizando inteligencia artificial y robótica médica en colaboración con la Universidad de Craiova (Rumanía).^Nota15 Este proyecto está desarrollando un prototipo avanzado de software médico y plataforma robótica para mejorar el diagnóstico del cáncer en endoscopia flexible utilizando inteligencia artificial y robótica médica. Los investigadores están creando una plataforma para permitir la visualización concomitante de los objetivos anatómicos, la anatomía vecina y la imagen de CT/MRI. El proyecto permite realizar tanto el diagnóstico como el tratamiento durante el mismo procedimiento utilizando un avanzado sistema robótico inteligente e instrumentos personalizados con doble seguimiento electromagnético-óptico.

Las redes neuronales convolucionales profundas (CNN) se utilizan cada vez más para el análisis digital de imágenes histopatológicas. Un equipo de investigación está desarrollando e implementando una plataforma de código abierto para la investigación basada en el aprendizaje profundo y el apoyo a las decisiones en patología digital [ 77 ]. 

FastPathology es una nueva plataforma que utiliza el marco FAST y C++ para minimizar el uso de memoria para leer y procesar imágenes de microscopía de portaobjetos completos (WSI). Esto ofrece una visualización y procesamiento eficiente de WSI en una sola aplicación, incluida la inferencia de CNN con visualización de los resultados en tiempo real.

6. Conclusiones

Este capítulo del libro digitalización de empresas noruegas 2023, presenta iniciativas clave de transformación digital en el sector de la salud en la era de la inteligencia artificial, donde la línea entre la realidad virtual y la física es bastante delgada. Comenzamos con una visión general de la transformación digital en la atención sanitaria. Luego, discutimos el surgimiento de nuevas tecnologías como la inteligencia artificial (IA) y el análisis médico como parte de la transformación digital. En esta sección, destacamos las principales capacidades que diferencian estas tecnologías de las anteriores y cómo contribuyen a “desencadenar cambios significativos en las propiedades de las entidades a través de combinaciones de tecnologías de información, informática, comunicación y conectividad” [ 13 ]. D

espués de presentar dos ejemplos específicos de transformación de la salud digital en Europa y Noruega, concluimos con Operating Room for the Future (FOR), una destacada infraestructura de investigación y una clínica universitaria integrada, que está desarrollando tecnología de inteligencia artificial para respaldar tareas médicas en campos de salud específicos. como neumología, patología digital, cardiología y otros.

Debido a la omnipresencia digital de las nuevas tecnologías, es fundamental comprender los mecanismos de los procesos organizacionales, las plataformas multilaterales, las aplicaciones de atención médica y las redes sociales, ya que tienen el potencial de conducir hacia un diseño, gestión e implementación efectivos de la información de salud digital. sistemas. Además, creemos que la materialización de esta oportunidad depende del compromiso de los actores involucrados en este proceso. Es importante investigar temas en la intersección del trabajo, la tecnología y los sistemas de información y para una audiencia académica más amplia, como la medicina, la informática y la sociología del trabajo. 

Este enfoque contribuirá a la comprensión del desarrollo de la tecnología de IA en el lugar de trabajo y a la literatura sobre la creación de conocimiento [ 14 , 78 , 79 ]. A continuación, existe la necesidad de investigar los desafíos que enfrentan los médicos con la introducción de la IA, como cuestionar qué vale la pena saber, qué acciones son importantes para adquirir nuevos conocimientos y quién tiene la autoridad para tomar decisiones. Esto proporcionará nuevos conocimientos sobre cómo y por qué la IA está reconfigurando los límites laborales de los profesionales de la salud y con importantes consecuencias para sus jurisdicciones, habilidades, estatus y visibilidad. Por último, es importante resaltar las formas en que se utilizan las herramientas de IA en el trabajo médico, prestando igual atención a las acciones realizadas por los médicos y sus interacciones sociales, así como a las máquinas que forman parte del lugar de trabajo médico [ 11 , 80 ].

La transformación digital del sector de la salud está impulsada por múltiples mecanismos, como la transformación de la demanda de servicios de salud de la población, los cambios en la relación entre pacientes y proveedores de atención, el uso generalizado de tecnologías digitales y la aparición de nuevas tecnologías que difieren significativamente respecto a los anteriores. 

La digitalización de las rutas de atención, la mayor interoperabilidad entre actores, la comunicación organizacional, las herramientas y las organizaciones ofrecen nuevos modelos de gestión del conocimiento, que pueden ser beneficiosos para el desempeño individual y la eficiencia organizacional, pero también plantean varias preocupaciones relacionadas con la privacidad, la seguridad y la responsabilidad. 

Un entorno dinámico y digital de un ecosistema compuesto por intereses a menudo contradictorios requiere una mejor comprensión de la lógica y las oportunidades de una plétora de herramientas virtuales para adaptarlas a las necesidades cotidianas. 

La actividad de hacer coincidir las soluciones digitales con necesidades específicas y dependientes del contexto compone el rompecabezas de la gestión de los Sistemas de Información de Salud en los tiempos actuales. Los principales objetivos se refieren a incrementar la calidad de la prestación de servicios, empoderando al ciudadano-paciente que fomente un ecosistema centrado en el paciente.