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

Contenido principal del artículo

Javier Ospina
Cristhian Forigua Díaz
Andrés Hernández Celis
Nicolás Ayobi Mendoza
Tomás Correa García
Augusto Peñaranda
Arif Janjua

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.

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Cómo citar
1.
Ospina J, Forigua Díaz C, Hernández Celis A, Ayobi Mendoza N, Correa García T, Peñaranda A, Janjua A. Desarrollo de una app móvil para la evaluación preoperatoria de la tomografía de senos paranasales: un paso hacia la inteligencia artificial. Acta otorrinolaringol cir cabeza cuello [Internet]. 30 de junio de 2022 [citado 21 de noviembre de 2024];50(2):124-32. Disponible en: https://revista.acorl.org.co/index.php/acorl/article/view/687
Sección
Trabajos Originales
Biografía del autor/a

Javier Ospina, Instituto Nacional de Cancerología, Bogotá, ColombiaFundación Santa Fe de Bogotá, Bogotá, Colombia

Otorrinolaringólogo de la Universidad Javeriana, Subespecialización en Rinología y Base de Cráneo de la Universidad de British Columbia, Vancouver, Canadá.

Adscrito a la Fundación Santa Fe de Bogotá, Colombia

Instituto Nacional de Cancerología, Bogotá, Colombia.

Citas

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

1007/s10916-021-01796-7

Crowson MG, Ranisau J, Eskander A, et al. A contemporary review of machine learning in otolaryngology–head and neck

surgery. Laryngoscope. 2020;130(1):45-51. doi: 10.1002/lary.27850

Dapre.presidencia.gov.co. Marco ético para la inteligencia artificial en Colombia [Internet]. Gobierno de Colombia. 2021

[citado falta la fecha]. Disponible en: https://dapre.presidencia. gov.co/TD/MARCO-ETICO-PARA-LA-INTELIGENCIAARTIFICIAL-EN-COLOMBIA-2021.pdf

Chowdhury NI, Smith TL, Chandra RK TJ. Automated classification of osteomeatal complex inflammation on CT

using convolutional neural networks. Int Forum Allergy Rhinol.2019;176(5):139-148. doi: 10.1002/alr.22196.

Liu GS, Bs AY, Ba DK, et al. Deep learning classification of inverted papilloma malignant transformation using 3D

convolutional neural networks and magnetic resonance imaging. 2022;(September 2021):1-9. doi: 10.1002/alr.22958

Spielman DB, Gudis DA. How I Do It Preoperative Sinus Computed Tomography Scan Review Checklist.

;(December):706-708. doi: 10.1002/lary.28444

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

Dolin RH, Alschuler L, Boyer S, Beebe C, Behlen FM, Biron PV, et al. HL7 Clinical Document Architecture, Release 2. J

Am Med Inform Assoc. 2006;13(1):30-9. doi: 10.1197/jamia.M1888

Goossen W, Langford LH. Exchanging care records using HL7 V3 care provision messages. J Am Med Inform Assoc.

;21(e2):e363-8. doi: 10.1136/amiajnl-2013-002264

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

Haynes AB, Weiser TG, Berry WR, Lipsitz SR. A Surgical Safety Checklist to Reduce Morbidity and Mortality in a Global

Population. N Engl J Med. 2010;360(5):491-499. doi: 10.1056/NEJMsa0810119

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

O’Brien WT, Hamelin S, Weitzel EK. The preoperative sinus CT: Avoiding a “cLOSE” call with surgical complications.

Radiology. 2016;281(1):10-21. doi: 10.1148/radiol.2016152230

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

Liquid-state.com. Digital Health App Trends to Consider for 2018 [Internet]. Digital Health Trends. 2018 [citado falta la

fecha]. Disponible en: https://liquid-state.com/digital-healthapp-trends-2018/

Artículos más leídos del mismo autor/a