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
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
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-CompartirIgual 4.0.
Este artículo es publicado por la Revista Acta de Otorrinolaringología & Cirugía de Cabeza y Cuello.
Este es un artículo de acceso abierto, distribuido bajo los términos de la LicenciaCreativeCommons Atribución-CompartirIgual 4.0 Internacional.( http://creativecommons.org/licenses/by-sa/4.0/), que permite el uso no comercial, distribución y reproducción en cualquier medio, siempre que la obra original sea debidamente citada.
eISSN: 2539-0856
ISSN: 0120-8411
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/