Anatomivägledning för regional anestesi

Användningen av regional anestesi (RA) och perifert nervblockad (PNB) ökar, även om generell anestesi (GA) fortfarande är vanligare inom allmän kirurgi. Cirka 65 % av alla procedurer som är tillgängliga för en regional teknik använder för närvarande GA, och nuvarande UK National Institute of Health and Clinical Excellence (NICE) riktlinjer är att all regional anestesi ska utföras med hjälp av ultraljudsvägledning. Ytterligare ökningar av regionalbedövning förväntas dock, eftersom det finns betydande patient- och ekonomiska fördelar. I synnerhet är kostnaderna per ingrepp för regionalbedövning avsevärt lägre än för generell anestesi.

Även om den växer, är ultraljudsstyrd regionalbedövning svår att lära sig och svår att utföra. Det finns betydande hand-öga-koordinationsproblem eftersom läkaren samtidigt måste manipulera både nålen och ultraljudssonden för att styra nålen till målet. Dessutom kan både nålen och målanatomin vara mycket svår att se på ultraljudsbilden.

Utredarna tror att ett datorstödt system som lyfter fram viktiga anatomiska egenskaper på ultraljudsbilden skulle göra denna procedur säkrare för patienterna och enklare för läkaren.

För närvarande använder den ledande metoden för automatisk bildsegmentering djupinlärning, för vilket det krävs många tusen träningsbilder. Det har varit flera framgångar med att tillämpa dessa tekniker på medicinska bilder, inklusive ultraljud. Det verkar dock som att den automatiska segmenteringen av ultraljudsbilder för regional anestesi har ägnats relativt lite uppmärksamhet.

Den närmaste hänvisningen till vår föreslagna forskning beskriver en metod för att lokalisera medianusnerven i ultraljudsbilder av underarmen. Det har också funnits en Kaggle-utmaning att segmentera plexus brachialisnerver i nacken. Flera anatomiska regioner kan också segmenteras samtidigt. Ingen av dessa studier är dock direkt tillämpliga på klinisk användning eftersom de endast handlar om bilder tagna från friska frivilliga. De överväger inte heller hur dessa tekniker skulle kunna användas för att hjälpa anestesiläkare att utföra regionalbedövning på kliniken.

Skälet för denna studie är att avgöra om automatisk framhävning i realtid av viktiga anatomiska egenskaper kan hjälpa kliniker att utföra ultraljudsvägledd regional anestesi.

Medaphors föreslagna system för automatisk markering använder djupinlärning och kräver många tusen bilder för systemet att lära sig av. Maskininlärningsalgoritmer som djupinlärning är dock starkt beroende av bilderna som används för att konstruera dem. I synnerhet måste man se till att dessa algoritmer tränas med hjälp av bilder som är representativa för dem som algoritmen kommer att stöta på när den används.

En viktig del av regional anestesi innebär att injicera bedövningsmedel i utrymmet nära den relevanta nerven. När den väl har introducerats kan både nålen och bedövningsmedlet ses på ultraljudsbilden. Det räcker inte med modeller som tränats med hjälp av icke-invasiva bilder inspelade från friska frivilliga. Även om icke-invasiva bilder från frivilliga kan innehålla de viktigaste anatomiska egenskaperna, visar de inte nålen och bedövningsmedlet.

Det enklaste alternativet för att fånga representativa bilder är att välja patienter som ska genomgå regionalbedövning och spela in bilddata direkt från ultraljudsmaskinen när proceduren utförs. Denna inspelningsmetod är transparent för både läkare och patient och påverkar inte patientens behandling på något sätt.

Dessutom är de ultraljudsmaskiner som används för regionalbedövning inte anslutna till PACS och ingen patientidentifierbar information matas in i ultraljudsapparaten. Eftersom endast ultraljudsbilden spelas in är videorna helt anonyma och kan inte spåras tillbaka till någon individ.

Denna studie är en del av ett större forskningsprogram och kommer att bygga och validera ett system som kan lyfta fram de viktigaste anatomiska egenskaperna. När systemet är färdigt kommer en ytterligare studie att genomföras för att testa det på kliniken för att fastställa potentiella fördelar för patienter och läkare.