Künstliche Intelligenz und ihre Anwendung in der Schulterchirurgie – Nur ein moderner Hype oder eine echte Chance für Verbesserungen?
Einführung Die rasante Entwicklung der Computerleistung und der Bildgebungstechnologie in den letzten Jahrzehnten hat nicht nur unser tägliches Leben beeinflusst, sondern auch alle verschiedenen Berufsfelder auf der ganzen Welt enorm verändert. Das gilt natürlich auch für den Bereich der Medizin und Orthopädie. Diese bahnbrechenden Fortschritte in der Computertechnologie wurden bereits in zunehmendem Maße in der Medizin eingesetzt und haben zu einer revolutionären Umgestaltung des Gesundheitssystems geführt, um die Patientenversorgung und die Ergebnisse zu verbessern. Aber ist die KI bereits in der Schulterchirurgie angekommen und was können wir für die Zukunft erwarten? „Künstliche Intelligenz hat das Potenzial, das Gesundheitswesen zu revolutionieren, indem sie die Entwicklung medizinischer Produkte vorantreibt, die Patientenversorgung verbessert und die Fähigkeiten des medizinischen Personals steigert“. Mit diesem Satz leitet die FDA ihr White Paper mit dem Titel „Artificial Intelligence & Medical Products: How CBER, CDER, CDRH, and OCP are Working Together.“(1) Laut diesem aktuellen Papier vom März 2024 lässt sich das steigende Interesse an KI in der Medizin an der Zahl der KI- (Künstliche Intelligenz) und ML- (Maschinelles Lernen) Einreichungen bei der FDA in den letzten Jahren ablesen: Während sich die Einreichungsrate in letzter Zeit verlangsamte, gab es von 2019 bis 2020 einen Anstieg von 39 % und die Wachstumsrate wird für die Zukunft weiterhin auf über 30 % prognostiziert.(2) Bei näherer Betrachtung der jüngsten Einreichungen war die Radiologie mit 79% der Einreichungen stark vertreten, was angesichts der engen Verbindung von Bildgebungsdaten mit Software-Tools nicht überrascht. Im Gegensatz dazu war die Orthopädie mit nur 1 von 692 Beiträgen vertreten. Während der Bereich der Orthopädie und insbesondere der Schulterchirurgie anfangs nicht zu den Vorreitern bei der Einführung von KI gehörte, hat das Forschungsinteresse an der Anwendung von KI in der Schulterchirurgie in letzter Zeit enorm zugenommen, und mehrere Veröffentlichungen können dazu beitragen, den heutigen Einsatz und die möglichen Vorteile dieser Technologie in der Zukunft besser zu verstehen. Der gesamte Bereich der orthopädischen Chirurgie, insbesondere die Schulterchirurgie, erfährt durch die Integration von künstlicher Intelligenz (KI) und maschinellem Lernen (ML) einen transformativen Wandel. Diese fortschrittlichen Technologien revolutionieren die Art und Weise, wie Chirurgen chirurgische Eingriffe diagnostizieren, planen und durchführen, und verbessern so die Ergebnisse für die Patienten und optimieren die Gesundheitsversorgung. Diagnostische Präzision und prädiktive Analytik Einer der wichtigsten Beiträge von KI und ML in der Schulterchirurgie liegt im Bereich der Diagnostik. Traditionelle Diagnosemethoden verlassen sich oft stark auf die subjektive Expertise von Radiologen und Chirurgen. KI-gestützte Systeme können jedoch medizinische Bilder wie Röntgenaufnahmen, MRTs und CT-Scans mit hoher Genauigkeit analysieren und subtile Muster und Anomalien erkennen, die dem menschlichen Auge entgehen könnten. Diese Systeme verwenden Deep-Learning-Algorithmen, eine Untergruppe von ML, um auf riesigen Datensätzen mit medizinischen Bildern zu trainieren. So haben sich beispielsweise Faltungsneuronale Netze (CNNs) bei der Bilderkennung als besonders effektiv erwiesen und ermöglichen die präzise Erkennung von Erkrankungen wie Rissen der Rotatorenmanschette, Labralrissen und Arthritis. Taghizadeh et al.(3) und Ro et al.(4) haben beispielsweise KI-Modelle entwickelt, die in der Lage sind, Muskelschwund und Fettinfiltration auf CT bzw. MRT bei Patienten mit Rotatorenmanschettenrissen automatisch zu quantifizieren, was zu einer Standardisierung der Diagnostik und einer besseren Vergleichbarkeit für die klinische Forschung beitragen könnte. Neben der Diagnostik spielen KI und ML auch bei der prädiktiven Analytik eine entscheidende Rolle. Durch die Analyse von Patientendaten, einschließlich demografischer Informationen, Krankengeschichte und Bildgebungsergebnissen, können diese Technologien die Wahrscheinlichkeit bestimmter Schultererkrankungen und den potenziellen Erfolg verschiedener Behandlungsoptionen vorhersagen. Diese Vorhersagefähigkeit ist von unschätzbarem Wert für die personalisierte Medizin und ermöglicht maßgeschneiderte Behandlungspläne, die sich am individuellen Patientenprofil orientieren. Bereits 2019 veröffentlichten Gowd et al.(5) ihre Arbeit über die Auswirkungen von überwachten maschinellen Lernmodellen zur Vorhersage postoperativer Komplikationen nach einer Schulter-Totalendoprothese. Die Autoren kamen zu dem Schluss, dass ML-Algorithmen auf der Grundlage routinemäßig erfasster präoperativer Variablen postoperative Komplikationen genau vorhersagen können und Modelle, die allein auf Komorbiditätsindizes beruhen, übertreffen. In einem kürzlich erschienenen Artikel von Potty et al. konnten die Autoren zeigen, dass dies auch für die Vorhersage der postoperativen Ergebnisse gilt. Ein spezieller Algorithmus für maschinelles Lernen wurde zur Berechnung der postoperativen Ergebnisse nach einer arthroskopischen Rotatorenmanschettenreparatur auf der Grundlage mehrerer präoperativer Faktoren verwendet. Die Autoren kamen zu dem Schluss, dass dieses Modell zur genauen Vorhersage der postoperativen ASES-Scores verwendet werden kann, was die präoperative Beratung, Planung und Ressourcenzuweisung weiter ergänzen könnte.(6) Chirurgische Planung, Simulation und roboterunterstützte Chirurgie Die chirurgische Planung ist ein weiterer Bereich, in dem KI und ML einen erheblichen Einfluss haben. Die präoperative Planung erfordert traditionell eine sorgfältige manuelle Beurteilung medizinischer Bilder und anatomischer Strukturen. KI-gesteuerte Tools können diesen Prozess nun automatisieren und verbessern, indem sie detaillierte 3D-Modelle der Schulteranatomie des Patienten erstellen. Diese Modelle erleichtern die präzise chirurgische Planung und ermöglichen es den Chirurgen, das Operationsfeld zu visualisieren, Herausforderungen zu antizipieren und den effektivsten chirurgischen Ansatz zu bestimmen. Darüber hinaus ermöglichen KI-basierte Simulationsplattformen den Chirurgen, ihre Techniken in einer virtuellen Umgebung zu üben und zu verfeinern, bevor sie die eigentliche Operation durchführen. Diese Simulationen verwenden realistische anatomische Modelle und echte Patientendaten, um eine immersive und interaktive Trainingserfahrung zu ermöglichen. Durch das Üben an virtuellen Modellen können Chirurgen ihre Fähigkeiten verbessern, die Lernkurve verkürzen und ihr Selbstvertrauen stärken, was letztlich zu besseren chirurgischen Ergebnissen führt. Vedula et al.(7) haben in einem Konsensus-Panel wichtige künftige KI-Anwendungen und durch künstliche Intelligenz unterstützte Metriken für die chirurgische Ausbildung sowie einen Zeitrahmen definiert, in dem diese wichtigen KI-Anwendungen umgesetzt werden sollten (Tabelle 1). KI-Innovationen enden jedoch nicht bei der Planung der Eingriffe oder der medizinischen Ausbildung. KI hat bereits Einzug in den Operationssaal gehalten, wo die präoperative Planung mit Hilfe von Navigation, patientenspezifischen Instrumenten, Augmented Reality oder sogar Roboterunterstützung präzise auf das Operationsfeld übertragen werden kann. (8) Das Aufkommen der robotergestützten Chirurgie stellt eine der fortschrittlichsten Anwendungen von KI und ML in der Schulterchirurgie dar. Robotersysteme, die mit KI-Algorithmen ausgestattet sind, können Chirurgen bei der Durchführung komplexer Eingriffe mit unvergleichlicher Präzision und Kontrolle unterstützen. Diese Systeme nutzen Echtzeitdaten und fortschrittliche Bildgebungsverfahren, um die Bewegungen des Chirurgen zu steuern und so präzise und minimalinvasive Eingriffe zu gewährleisten. So können Roboter beispielsweise bei der präzisen Platzierung von Implantaten in der Schulterendoprothetik helfen, das Risiko von Komplikationen minimieren und die Langlebigkeit der Implantate verbessern. (9) Im Gegensatz zur Knie- und Hüftchirurgie wird der routinemäßige Einsatz von Roboterunterstützung in der Schulterchirurgie jedoch noch einige Zeit in Anspruch nehmen und muss sich erst noch bewähren.
Postoperative Pflege und Rehabilitation KI und ML wirken sich auch auf die postoperative Pflege und Rehabilitation aus, die kritische Phasen im Genesungsprozess darstellen.
KI-gestützte Überwachungssysteme können den Genesungsprozess eines Patienten kontinuierlich verfolgen und Daten von tragbaren Geräten, Sensoren und mobilen Gesundheitsanwendungen analysieren.
Diese Systeme können frühe Anzeichen von Komplikationen, wie Infektionen oder eine unzureichende Heilung, erkennen und Gesundheitsdienstleister alarmieren, damit sie rechtzeitig eingreifen können.
Darüber hinaus können ML-Algorithmen Rehabilitationsprogramme auf der Grundlage der Fortschritte und spezifischen Bedürfnisse des Patienten personalisieren.
Durch die Analyse von Daten aus Physiotherapiesitzungen und Patientenfeedback können diese Algorithmen die Intensität, Häufigkeit und Art der Übungen anpassen, um die Genesung zu optimieren.
Dieser personalisierte Ansatz verbessert nicht nur die Wirksamkeit der Rehabilitation, sondern erhöht auch die Therapietreue und Zufriedenheit der Patienten. Herausforderungen und zukünftige Wege Trotz der vielversprechenden Fortschritte ist die Integration von KI und ML in der Schulterchirurgie nicht ohne Herausforderungen.
Datenschutz- und Sicherheitsbedenken, der Bedarf an großen und vielfältigen Datensätzen und das Potenzial für algorithmische Verzerrungen sind wichtige Themen, die angegangen werden müssen.
Darüber hinaus erfordert die Einführung dieser Technologien erhebliche Investitionen in Infrastruktur, Schulung und laufende Forschung. Die Zukunft von KI und ML in der Schulterchirurgie birgt immenses Potenzial.
Kontinuierliche Fortschritte bei den KI-Algorithmen, eine verbesserte Datenintegration und eine verstärkte Zusammenarbeit zwischen Technikern und Klinikern werden weitere Innovationen vorantreiben.
Die Entwicklung ausgefeilterer KI-gestützter Diagnosewerkzeuge, intraoperativer Führungssysteme in Echtzeit und adaptiver Rehabilitationsprogramme wird den Standard der Versorgung in der Schulterchirurgie weiter verbessern. Fazit Zusammenfassend lässt sich sagen, dass künstliche Intelligenz und maschinelles Lernen die Schulterchirurgie verändern, indem sie die diagnostische Genauigkeit verbessern, die chirurgische Planung optimieren, roboterunterstützte Eingriffe ermöglichen und die postoperative Versorgung personalisieren. Auch wenn es noch Herausforderungen gibt, verspricht die fortschreitende Integration dieser Technologien das Feld zu revolutionieren und hoffentlich die Ergebnisse für die Patienten zu verbessern und die Praxis der Schulterchirurgie voranzubringen. Heutzutage lässt der routinemäßige Einsatz von KI-basierten Anwendungen in der Schulterchirurgie noch viel zu wünschen übrig. Laut Gupta et al. ist die Leistung von KI-Modellen immer noch bescheiden und eine externe Validierung steht noch aus, was darauf hindeutet, dass vor dem Einsatz von KI-basierten Anwendungen im klinischen Umfeld mehr wissenschaftliche Strenge geboten ist.(10) Künftige Anwendungen von Methoden der künstlichen Intelligenz und KI-gestützten Metriken für die chirurgische Ausbildung, die von einem Delphi-Konsensgremium definiert wurden. Erkennen Sie die Anatomie in Bildern aus Videos des Operationsfeldes (2) Geben Sie dem Chirurgen unmittelbar nach der Operation ein Leistungsfeedback (2) Identifizieren Sie die Teile der Operation, zu denen der Chirurg Feedback benötigt (5) Überlagern Sie Bilder, um die umliegende Anatomie darzustellen (5) Leiten Sie den Chirurgen beim optimalen Einsatz von Instrumenten/Geräten an (5) Ermöglichen Sie die intraoperative Navigation mithilfe von Video, Kinematik und anderen Bildgebungsdaten für mehrere Eingriffe (10) Erkennen von intraoperativen Fehlern (10) Anleitungen für den nächstbesten Schritt zur Behebung eines intraoperativen Fehlers oder einer Komplikation (10) Zeitrahmen (y) Adaptiert von Vedula et al. (7)
Einleitung1. (https://www.fda.gov/media/177030/download?attachment) 2. (https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-aiml-enabled-medical-devices) 3. Taghizadeh E, Truffer O, Becce F, Eminian S, Gidoin S, Terrier A, et al.
Deep Learning für die schnelle automatische Quantifizierung und Charakterisierung der Degeneration des Rotatorenmanschettenmuskels aus Schulter-CT-Datensätzen.
Eur Radiol 2021;31:181- 90.
https://doi.org/10.1007/s00330-020-07070-7. 4. Ro K, Kim JY, Park H, Cho BH, Kim IY, Shim SB, et al.
Deep-Learning-Framework und computergestützte Analyse der Fettinfiltration des Supraspinatus-Muskels in der MRT.
Sci Rep 2021;11, 15065.
https://doi.org/10.1038/s41598-021-93026-w. 5. Gowd AK, Agarwalla A, Amin NH, Romeo AA, Nicholson GP, Verma NN, Liu JN.
Konstruktionsvalidierung des maschinellen Lernens bei der Vorhersage von kurzfristigen postoperativen Komplikationen nach einer Schulter-Totalendoprothese.
J Shoulder Elbow Surg. 2019 Dec;28(12):e410-e421.
doi: 10.1016/j.jse.2019.05.017.
Epub 2019 Aug 3.
PMID: 31383411. 6. Potty AG, Potty ASR, Maffulli N, Blumenschein LA, Ganta D, Mistovich RJ, Fuentes M, Denard PJ, Sethi PM, Shah AA, Gupta A. Approaching Artificial Intelligence in Orthopaedics: Predictive Analytics and Machine Learning to Prognosticate Arthroscopic Rotator Cuff Surgical Outcomes.
J Clin Med. 2023 Mar 19;12(6):2369.
doi: 10.3390/jcm12062369.
PMID: 36983368; PMCID: PMC10056706. 7. Vedula SS, Ghazi A, Collins JW, Pugh C, Stefanidis D, Meireles O, et al.
Methoden der künstlichen Intelligenz und durch künstliche Intelligenz unterstützte Metriken für die chirurgische Ausbildung: ein multidisziplinärer Konsens.
J Am Coll Surg 2022;234:1181-92. 8. Lee KS, Jung SH, Kim DH, Chung SW, Yoon JP.
Künstliche Intelligenz- und computergestützte Navigation für die Schulterchirurgie. J Orthop Surg (Hong Kong).
2024 Jan-Apr;32(1):10225536241243166.
doi: 10.1177/10225536241243166.
PMID: 38546214. 9. Twomey-Kozak J, Hurley E, Levin J, Anakwenze O, Klifto C. Technological innovations in shoulder replacement: current concepts and the future of robotics in total shoulder arthroplasty.
J Shoulder Elbow Surg. 2023 Oct;32(10):2161-2171.
doi: 10.1016/j.jse.2023.04.022.
Epub 2023 May 30.
PMID: 37263482. 10. Gupta P, Haeberle HS, Zimmer ZR, Levine WN, Williams RJ, Ramkumar PN.
Auf künstlicher Intelligenz basierende Anwendungen in der Schulterchirurgie lassen viel zu wünschen übrig: eine systematische Übersicht.
JSES Rev Rep Tech.
2023 Jan 7;3(2):189-200.
doi: 10.1016/j.xrrt.2022.12.006.
PMID: 37588443; PMCID: PMC1 Quelle: ESA Chairmans Editorial – F. Martetschläger