Anatomiveiledning for regional anestesi

Bruk av regional anestesi (RA) og perifer nerveblokk (PNB) er økende, selv om generell anestesi (GA) fortsatt er mer vanlig i generell kirurgisk praksis. Rundt 65 % av alle prosedyrer som er tilgjengelige for en regional teknikk bruker for tiden GA, og gjeldende veiledning fra det britiske National Institute of Health and Clinical Excellence (NICE) er at all regional anestesi skal utføres ved hjelp av ultralydveiledning. Det forventes imidlertid ytterligere økninger i regional anestesi, da det er betydelige pasient- og økonomiske fordeler. Spesielt er kostnadene per prosedyre ved regional anestesi betydelig mindre enn for generell anestesi.

Selv om den vokser, er ultralydveiledet regional anestesi vanskelig å lære og vanskelig å utføre. Det er betydelige hånd-øye-koordinasjonsproblemer ettersom klinikeren må manipulere både nålen og ultralydsonden samtidig for å lede nålen til målet. I tillegg kan både nålen og målanatomien være svært vanskelig å se på ultralydbildet.

Etterforskerne mener at et datastøttet system som fremhever viktige anatomiske trekk på ultralydbildet ville gjøre denne prosedyren tryggere for pasientene og enklere for klinikeren.

For tiden bruker den ledende metoden for automatisk bildesegmentering dyp læring, som det kreves mange tusen treningsbilder for. Det har vært flere suksesser med å bruke disse teknikkene på medisinske bilder, inkludert ultralyd. Det ser imidlertid ut til at det er gitt relativt lite oppmerksomhet til automatisk segmentering av ultralydbilder for regionalbedøvelse.

Den nærmeste referansen til vår foreslåtte forskning beskriver en metode for å lokalisere mediannerven i ultralydbilder av underarmen. Det har også vært en Kaggle-utfordring for å segmentere plexus brachialis-nervene i nakken. Flere anatomiske regioner kan også segmenteres samtidig. Imidlertid er ingen av disse studiene direkte anvendelige for klinisk bruk, da de kun omhandler bilder tatt fra friske frivillige. De vurderer heller ikke hvordan disse teknikkene kan brukes til å hjelpe anestesileger med å utføre regional anestesi i klinikken.

Begrunnelsen for denne studien er å finne ut om sanntids automatisk fremheving av sentrale anatomiske funksjoner kan hjelpe klinikere med å utføre ultralydveiledet regional anestesi.

Medaphors foreslåtte system for automatisk fremheving bruker dyp læring og krever mange tusen bilder for systemet å lære av. Imidlertid er maskinlæringsalgoritmer som dyplæring svært avhengige av bildene som brukes til å konstruere dem. Spesielt må man passe på å sikre at disse algoritmene trenes opp ved å bruke bilder som er representative for de algoritmen vil møte når den er i bruk.

En sentral del av regional anestesi innebærer å injisere anestesi i rommet nær den aktuelle nerven. Når introdusert, kan både nålen og bedøvelsen sees på ultralydbildet. Modeller som er trent ved å bruke ikke-invasive bilder tatt fra friske frivillige vil ikke være tilstrekkelig. Selv om ikke-invasive bilder fra frivillige kan inneholde de viktigste anatomiske funksjonene, vil de ikke vise nålen og bedøvelsen.

Det enkleste alternativet for å ta representative bilder er å velge pasienter som skal ha regional anestesi og registrere bildedataene direkte fra ultralydmaskinen mens prosedyren utføres. Denne registreringsmetoden er transparent for både kliniker og pasient, og påvirker ikke pasientens behandling på noen måte.

I tillegg er ikke ultralydapparatene som brukes til regional anestesi koblet til PACS og ingen pasientidentifiserbar informasjon legges inn i ultralydapparatet. Siden ultralydbildet kun tas opp, er videoene helt anonyme og kan ikke spores tilbake til noen individer.

Denne studien er en del av et større forskningsprogram og vil bygge og validere et system som er i stand til å fremheve de viktigste anatomiske egenskapene. Når systemet er fullført, vil en ytterligere studie bli utført for å teste det i klinikken for å fastslå potensielle fordeler for pasienter og klinikere.