medigraphic.com
ISSN 2539-0859 (Digital)
ISSN 0120-8411 (Impreso)
Asociación Colombiana de Otorrinolaringología y Cirugía de Cabeza y cuello, Maxilofacial y Estética Facial (ACORL)

2022, Número 2

<< Anterior Siguiente >>

Acta de Otorrinolaringología CCC 2022; 50 (2)


Desarrollo de una app móvil para la evaluación preoperatoria de la tomografía de senos paranasales: un paso hacia la inteligencia artificial

Ospina J, Forigua DC, Hernández CA, Ayobi MN, Correa GT, Peñaranda A, Janjua A

Idioma: Español
Referencias bibliográficas: 15
Paginas: 124-132
Archivo PDF: 776.01 Kb.


RESUMEN

Introducción: la revolución tecnológica que hemos vivido en los últimos años ha generado un extendido uso de la inteligencia artificial (IA) como tecnología de base para el desarrollo de diversos sistemas y soluciones en medicina. En el campo de la otorrinolaringología, estamos viendo hasta ahora los primeros esfuerzos para aprovechar este surgimiento. Objetivo: el presente proyecto busca describir el proceso de desarrollo de una app móvil creada gracias al trabajo colaborativo entre otorrinolaringólogos e ingenieros biomédicos, que tiene la intención de optimizar la evaluación preoperatoria de la tomografía de senos paranasales (TC de SPN). Métodos: el desarrollo de la app siguió el método de priorización para especificaciones de MoSCoW. Utilizamos la información recolectada de encuestas realizadas a 29 expertos en rinología de diferentes partes del mundo, quienes evaluaron variantes anatómicas en la tomografía y se utilizaron dos modelos de regresión para la predicción de dificultad y riesgo a partir de herramientas de aprendizaje estadístico. Conclusión: hemos desarrollado una herramienta y un modelo estadístico que es fácil de utilizar y que idealmente ayudará al cirujano en el proceso de evaluación preoperatoria de TC de SPN. Este es un ejercicio que permite demostrar la eficacia de un desarrollo colaborativo para lograr soluciones en nuestra especialidad y un acercamiento hacia la IA.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Jotterand F, Bosco C. Artificial Intelligence in Medicine: A Sword of Damocles? J Med Syst. 2022;46(1):1-5. doi: 10.1007/s10916-021-01796-7

  2. Crowson MG, Ranisau J, Eskander A, et al. A contemporaryreview of machine learning in otolaryngology–head and necksurgery. Laryngoscope. 2020;130(1):45-51. doi: 10.1002/lary.27850

  3. Dapre.presidencia.gov.co. Marco ético para la inteligenciaartificial en Colombia [Internet]. Gobierno de Colombia. 2021[citado falta la fecha]. Disponible en: https://dapre.presidencia.gov.co/TD/MARCO-ETICO-PARA-LA-INTELIGENCIA-ARTIFICIAL-EN-COLOMBIA-2021.pdf

  4. Chowdhury NI, Smith TL, Chandra RK TJ. Automatedclassification of osteomeatal complex inflammation on CT using convolutional neural networks. Int Forum Allergy Rhinol.2019;176(5):139-148. doi: 10.1002/alr.22196.

  5. Liu GS, Bs AY, Ba DK, et al. Deep learning classificationof inverted papilloma malignant transformation using 3Dconvolutional neural networks and magnetic resonanceimaging. 2022;(September 2021):1-9. doi: 10.1002/alr.22958

  6. Spielman DB, Gudis DA. How I Do It PreoperativeSinus Computed Tomography Scan Review Checklist.2020;(December):706-708. doi: 10.1002/lary.28444

  7. Kagen S, Garland A. Asthma and Allergy Mobile Apps in 2018.Curr Allergy Asthma Rep. 2019;19(1):6. doi: 10.1007/s11882-019-0840-z

  8. Dolin RH, Alschuler L, Boyer S, Beebe C, Behlen FM, BironPV, et al. HL7 Clinical Document Architecture, Release 2. JAm Med Inform Assoc. 2006;13(1):30-9. doi: 10.1197/jamia.M1888

  9. Goossen W, Langford LH. Exchanging care records usingHL7 V3 care provision messages. J Am Med Inform Assoc.2014;21(e2):e363-8. doi: 10.1136/amiajnl-2013-002264

  10. Dolin RH, Alschuler L, Beebe C, Biron PV, Boyer SL, Essin D, etal. The HL7 Clinical Document Architecture. J Am Med InformAssoc. 2001;8(6):552-69. doi: 10.1136/jamia.2001.0080552

  11. Haynes AB, Weiser TG, Berry WR, Lipsitz SR. A SurgicalSafety Checklist to Reduce Morbidity and Mortality in a GlobalPopulation. N Engl J Med. 2010;360(5):491-499. doi: 10.1056/NEJMsa0810119

  12. Tewfik MA, Wormald PJ. Ten Pearls for Safe Endoscopic SinusSurgery. Otolaryngol Clin North Am. 2010;43(4):933-944. doi:10.1016/j.otc.2010.04.017

  13. O’Brien WT, Hamelin S, Weitzel EK. The preoperative sinusCT: Avoiding a “cLOSE” call with surgical complications.Radiology. 2016;281(1):10-21. doi: 10.1148/radiol.2016152230

  14. García-Chabur MA, Peñaranda D, Pinzón M, et al. Lista dechequeo preoperatorio para la cirugía endoscópica de hipófisisPreoperative checklist for endoscopic pituitary surgery. ActaOtorrinolaringol Cirugía Cabeza y Cuello. 2020:322-330. doi:10.37076/acorlv48i4.562

  15. Liquid-state.com. Digital Health App Trends to Consider for2018 [Internet]. Digital Health Trends. 2018 Disponible en:https://liquid-state.com/digital-health-app-trends-2018/




2020     |     www.medigraphic.com