Anatomian opastus aluepuudutukseen

Aluepuudutuksen (RA) ja ääreishermosalpauksen (PNB) käyttö lisääntyy, vaikka yleisanestesia (GA) on edelleen yleisempi yleiskirurgiassa. Noin 65 % kaikista alueellisella tekniikalla soveltuvista toimenpiteistä käyttää tällä hetkellä GA:ta, ja Yhdistyneen kuningaskunnan National Institute of Health and Clinical Excellence (NICE) -ohjeistus on, että kaikki alueelliset anestesiat tulisi suorittaa ultraääniohjauksella. Aluepuudutuksen odotetaan kuitenkin lisääntyvän edelleen, koska siitä on merkittäviä potilaiden ja taloudellisia etuja. Erityisesti aluepuudutuksen toimenpidekohtaiset kustannukset ovat huomattavasti pienemmät kuin yleisanestesian.

Vaikka ultraääniohjattu aluepuudutus kasvaa, sitä on vaikea oppia ja suorittaa. Käsien ja silmän koordinaatioon liittyy merkittäviä ongelmia, koska kliinikon on samanaikaisesti manipuloitava sekä neulaa että ultraäänianturia ohjatakseen neulan kohteeseen. Lisäksi sekä neulan että kohteen anatomia voi olla erittäin vaikea nähdä ultraäänikuvassa.

Tutkijat uskovat, että tietokoneavusteinen järjestelmä, joka korostaa tärkeimpiä anatomisia piirteitä ultraäänikuvassa, tekisi tästä toimenpiteestä turvallisempaa potilaille ja yksinkertaisempaa kliinikolle.

Tällä hetkellä johtava automaattinen kuvien segmentointimenetelmä käyttää syväoppimista, johon tarvitaan tuhansia harjoituskuvia. Näiden tekniikoiden soveltamisessa lääketieteellisiin kuviin, mukaan lukien ultraääni, on ollut useita menestyksiä. Näyttää kuitenkin siltä, ​​että suhteellisen vähän huomiota on kiinnitetty ultraäänikuvien automaattiseen segmentointiin aluepuudutuksessa.

Lähin viittaus ehdottamaan tutkimukseemme kuvaa menetelmää keskihermon paikallistamiseksi kyynärvarren ultraäänikuvissa. On myös ollut Kaggle-haaste segmentoida olkavarren plexushermot kaulassa. Useita anatomisia alueita voidaan myös segmentoida samanaikaisesti. Mikään näistä tutkimuksista ei kuitenkaan sovellu suoraan kliiniseen käyttöön, koska ne koskevat vain terveiltä vapaaehtoisilta otettuja kuvia. He eivät myöskään harkitse, kuinka näitä tekniikoita voitaisiin käyttää auttamaan anestesioterapeutteja, jotka tekevät aluepuudutusta klinikalla.

Tämän tutkimuksen perusteena on selvittää, voiko keskeisten anatomisten piirteiden automaattinen korostaminen reaaliajassa auttaa kliinikoita suorittamaan ultraääniohjattua aluepuudutusta.

Medaphorin ehdottama automaattinen korostusjärjestelmä käyttää syvää oppimista ja vaatii tuhansia kuvia, jotta järjestelmä oppii. Koneoppimisalgoritmit, kuten syväoppiminen, ovat kuitenkin erittäin riippuvaisia ​​niiden luomiseen käytetyistä kuvista. Erityisesti on huolehdittava siitä, että näitä algoritmeja opetetaan käyttämällä kuvia, jotka edustavat niitä kuvia, joita algoritmi kohtaa käytön aikana.

Aluepuudutuksen keskeinen osa on anestesian ruiskuttaminen tilaan, joka on lähellä asianomaista hermoa. Kun neula on otettu käyttöön, sekä neula että anestesia voidaan nähdä ultraäänikuvassa. Mallit, jotka on koulutettu käyttämällä terveiltä vapaaehtoisilta tallennettuja ei-invasiivisia kuvia, eivät riitä. Vaikka vapaaehtoisten ei-invasiiviset kuvat saattavat sisältää tärkeimpiä anatomisia piirteitä, ne eivät näytä neulaa ja anestesiaa.

Yksinkertaisin vaihtoehto edustavien kuvien ottamiseksi on valita potilaat, joille tehdään aluepuudutus, ja tallentaa kuvatiedot suoraan ultraäänilaitteesta toimenpiteen aikana. Tämä tallennusmenetelmä on läpinäkyvä sekä kliinikolle että potilaalle, eikä se vaikuta millään tavalla potilaan hoitoon.

Lisäksi aluepuudutuksessa käytettäviä ultraäänilaitteita ei ole liitetty PACS:ään eikä ultraäänilaitteeseen syötetä potilaan tunnistetietoja. Koska vain ultraäänikuva tallennetaan, videot ovat täysin anonyymejä, eikä niitä voida jäljittää kenellekään henkilölle.

Tämä tutkimus on osa suurempaa tutkimusohjelmaa ja rakentaa ja validoi järjestelmän, joka pystyy tuomaan esiin tärkeimmät anatomiset piirteet. Kun järjestelmä on valmis, sitä testataan klinikalla lisätutkimuksella, jotta voidaan määrittää mahdolliset hyödyt potilaille ja kliinikoille.