Anatomivejledning for regional anæstesi

Brugen af ​​regional anæstesi (RA) og perifer nerveblok (PNB) vokser, selvom generel anæstesi (GA) stadig er mere almindelig i almen kirurgisk praksis. Omkring 65 % af alle procedurer, der er tilgængelige for en regional teknik, bruger i øjeblikket GA, og den nuværende britiske National Institute of Health and Clinical Excellence (NICE) vejledning er, at al regional anæstesi skal udføres ved hjælp af ultralydsvejledning. Der forventes dog yderligere stigninger i regional anæstesi, da der er betydelige patient- og økonomiske fordele. Især omkostningerne pr. procedure ved regional anæstesi er betydeligt mindre end for generel anæstesi.

Selvom det vokser, er ultralydsstyret regionalbedøvelse svær at lære og svær at udføre. Der er betydelige hånd-øje-koordinationsproblemer, da klinikeren samtidig skal manipulere både nålen og ultralydssonden for at lede nålen til målet. Derudover kan både nålen og målanatomien være meget svær at se på ultralydsbilledet.

Efterforskerne mener, at et computerstøttet system, der fremhæver centrale anatomiske træk på ultralydsbilledet, ville gøre denne procedure mere sikker for patienterne og enklere for klinikeren.

I øjeblikket bruger den førende metode til automatisk billedsegmentering deep learning, hvortil der kræves mange tusinde træningsbilleder. Der har været flere succeser med at anvende disse teknikker til medicinske billeder, herunder ultralyd. Det ser dog ud til, at der har været relativt lidt opmærksomhed på automatisk segmentering af ultralydsbilleder til regionalbedøvelse.

Den nærmeste reference til vores foreslåede forskning beskriver en metode til at lokalisere medianusnerven i ultralydsbilleder af underarmen. Der har også været en Kaggle-udfordring med at segmentere plexus brachialis-nerverne i nakken. Flere anatomiske regioner kan også segmenteres på samme tid. Ingen af ​​disse undersøgelser er imidlertid direkte anvendelige til klinisk brug, da de kun omhandler billeder taget fra raske frivillige. De overvejer heller ikke, hvordan disse teknikker kan bruges til at hjælpe anæstesilæger, der udfører regional anæstesi i klinikken.

Begrundelsen for denne undersøgelse er at afgøre, om realtids automatisk fremhævning af centrale anatomiske funktioner kan hjælpe klinikere med at udføre ultralydsstyret regionalbedøvelse.

Medaphors foreslåede system til automatisk fremhævning bruger dyb læring og kræver mange tusinde billeder, som systemet kan lære af. Maskinlæringsalgoritmer såsom deep-learning er dog meget afhængige af de billeder, der bruges til at konstruere dem. Især skal man sørge for at sikre, at disse algoritmer trænes ved hjælp af billeder, der er repræsentative for dem, algoritmen vil støde på, når den er i brug.

En vigtig del af regional anæstesi involverer indsprøjtning af bedøvelsesmiddel i rummet nær den relevante nerve. Når det er indført, kan både nålen og bedøvelsesmidlet ses på ultralydsbilledet. Modeller trænet ved hjælp af ikke-invasive billeder optaget fra raske frivillige vil ikke være tilstrækkelige. Selvom ikke-invasive billeder fra frivillige kan indeholde de vigtigste anatomiske træk, vil de ikke vise nålen og bedøvelsesmidlet.

Den enkleste mulighed for at tage repræsentative billeder er at udvælge patienter, der skal have regional anæstesi, og optage billeddataene direkte fra ultralydsmaskinen, efterhånden som proceduren udføres. Denne metode til registrering er gennemsigtig for både kliniker og patient og påvirker ikke patientens behandling på nogen måde.

Derudover er de ultralydsmaskiner, der bruges til regionalbedøvelse, ikke tilsluttet PACS, og der indtastes ingen patientidentificerbar information i ultralydsmaskinen. Da ultralydsbilledet kun optages, er videoerne fuldstændig anonyme og kan ikke spores tilbage til nogen person.

Denne undersøgelse er en del af et større forskningsprogram og vil bygge og validere et system, der er i stand til at fremhæve de vigtigste anatomiske træk. Når systemet er færdigt, vil der blive udført en yderligere undersøgelse for at teste det i klinikken for at bestemme potentielle fordele for patienter og klinikere.