Advertisement

Der Chirurg

pp 1–5 | Cite as

Künstliche Intelligenz in der Orthopädie und Unfallchirurgie

  • T. Tjardes
  • R. A. Heller
  • D. Pförringer
  • R. Lohmann
  • David A. BackEmail author
  • AG Digitalisierung der DGOU
Leitthema
  • 50 Downloads

Zusammenfassung

Künstliche Intelligenz (KI) ist ein sehr relevantes Thema für die Medizin der Zukunft. Dieser Artikel beleuchtet das Thema KI im Kontext der Orthopädie und Unfallchirurgie. Im Schwerpunkt werden KI-Potenziale bei der Analyse von Symptomen, radiologischen Bildern, klinischen Datensätzen, der Verwendung in Klinik und im Operationssaal sowie für die Aus- und Weiterbildung beleuchtet. KI ist für die Orthopädie und Unfallchirurgie der Zukunft weit mehr als reine Fiktion. Es ist aber noch ein weiter Weg, um das Potenzial einer optimierten und individualisierten Patientenversorgung zu nutzen. Interdisziplinäre und internationale Ansätze unter Einbezug personeller, ökonomischer, rechtlicher und ethischer Aspekte werden hierzu von entscheidender Bedeutung sein.

Schlüsselwörter

Robotik im Operationsaal Algorithmengestützte Analyse Weiterbildung Große Datenmengen Rechtliche Rahmenbedingungen 

Artificial intelligence in orthopedics and trauma surgery

Abstract

Artificial intelligence (AI) is a very relevant topic for the medicine of the future. This article focuses on the field of AI in the context of orthopedics and trauma surgery. The main focus is on the potentials of AI in the analysis of symptoms, radiological images, clinical data sets, use in hospitals and operating theaters as well as for training and education. For the orthopedics and trauma surgery of the future AI is much more than pure fiction; however, there is still a long way to go before the potential of an optimized and individualized patient care can be utilized. Interdisciplinary and international approaches, including personnel, economic, legal and ethical aspects will play a decisive role in this respect.

Keywords

Robotics in the operating theater Algorithm-based analysis Professional education Big Data Legal framework conditions 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

R. Lohmann ist Geschäftsführer bei Lohmann & Birkner Software Solutions GmbH, Berlin. T. Tjardes, R. A. Heller, D. Pförringer, D. A. Back und die AG Digitalisierung der DGOU geben an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Literatur

  1. 1.
    Bhandari M, Zeffiro T, Reddiboina M (2019) Artificial intelligence and robotic surgery: current perspective and future directions. Curr Opin Urol.  https://doi.org/10.1097/MOU.0000000000000692 CrossRefGoogle Scholar
  2. 2.
    Chung SW, Han SS, Lee JW et al (2018) Automated detection and classification of the proximal humerus fracture by using deep learning algorithm. Acta Orthop 89:468–473CrossRefGoogle Scholar
  3. 3.
    Ciolacu M, Tehrani AF, Binder L et al (2018) Education 4.0—artificial intelligence assisted higher education: early recognition system with machine learning to support students’ success. 2018 IEEE 24th International Symposium for Design and Technology in Electronic Packaging (SIITME), Iasi, Romania, 25-28 Oct. 2018Google Scholar
  4. 4.
    Elkin PL, Schlegel DR, Anderson M et al (2018) Artificial intelligence: bayesian versus heuristic method for diagnostic decision support. Appl Clin Inform 9:432–439CrossRefGoogle Scholar
  5. 5.
    Gyftopoulos S, Lin D, Knoll F et al (2019) Artificial intelligence in musculoskeletal imaging: current status and future directions. Ajr Am J Roentgenol 213:506–513CrossRefGoogle Scholar
  6. 6.
    Jungmann SM, Klan T, Kuhn S et al (2019) Accuracy of a chatbot (Ada) in the diagnosis of mental disorders: comparative case study with lay and expert users. JMIR Form Res 3:e13863.  https://doi.org/10.2196/13863 CrossRefPubMedPubMedCentralGoogle Scholar
  7. 7.
    Karnuta JM, Navarro SM, Haeberle HS et al (2019) Bundled care for hip fractures: a machine-learning approach to an untenable patient-specific payment model. J Orthop Trauma 33:324–330CrossRefGoogle Scholar
  8. 8.
    Kendale S, Kulkarni P, Rosenberg AD et al (2018) Supervised machine-learning predictive analytics for prediction of postinduction hypotension. Anesthesiology 129:675–688CrossRefGoogle Scholar
  9. 9.
    Koren G, Souroujon D, Shaul R et al (2019) “A patient like me”—an algorithm-based program to inform patients on the likely conditions people with symptoms like theirs have. Medicine (Baltimore) 98:e17596CrossRefGoogle Scholar
  10. 10.
    Lindsey R, Daluiski A, Chopra S et al (2018) Deep neural network improves fracture detection by clinicians. Proc Natl Acad Sci U S A 115:11591–11596CrossRefGoogle Scholar
  11. 11.
    Mcculloch WS, Pitts W (1943) A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics 5:115–133CrossRefGoogle Scholar
  12. 12.
    Nilsson NJ (2009) The quest for artificial intelligenceCrossRefGoogle Scholar
  13. 13.
    Ramkumar PN, Haeberle HS, Bloomfield MR et al (2019) Artificial intelligence and arthroplasty at a single institution: real-world applications of machine learning to big data, value-based care, mobile health, and remote patient monitoring. J Arthroplasty 34:2204–2209CrossRefGoogle Scholar
  14. 14.
    Staub BN, Sadrameli SS (2019) The use of robotics in minimally invasive spine surgery. J Spine Surg 5:S31–S40CrossRefGoogle Scholar
  15. 15.
    Tarpada SP, Morris MT, Burton DA (2016) E‑learning in orthopedic surgery training: a systematic review. J Orthop 13:425–430CrossRefGoogle Scholar
  16. 16.
    Weng SF, Reps J, Kai J et al (2017) Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLoS ONE 12:e174944CrossRefGoogle Scholar
  17. 17.
    Zhao JX, Li C, Ren H et al (2019) Evolution and current applications of robot-assisted fracture reduction: a comprehensive review. Ann Biomed Eng.  https://doi.org/10.1007/s10439-019-02332-y CrossRefPubMedGoogle Scholar

Copyright information

© Springer Medizin Verlag GmbH, ein Teil von Springer Nature 2020

Authors and Affiliations

  • T. Tjardes
    • 1
  • R. A. Heller
    • 2
  • D. Pförringer
    • 3
  • R. Lohmann
    • 4
  • David A. Back
    • 5
    Email author
  • AG Digitalisierung der DGOU
  1. 1.Klinik für Unfallchirurgie, Orthopädie und Sporttraumatologie Köln-MerheimKliniken der Stadt Köln gGmbHKölnDeutschland
  2. 2.Zentrum für Orthopädie, Unfallchirurgie und ParaplegiologieUniversitätsklinik HeidelbergHeidelbergDeutschland
  3. 3.Klinik für Unfallchirurgie, Klinikum Rechts der IsarTechnische Universität MünchenMünchenDeutschland
  4. 4.Lohmann & Birkner Software Solutions GmbHBerlinDeutschland
  5. 5.Klinik für Unfallchirurgie und Orthopädie, Septische und Rekonstruktive ChirurgieBundeswehrkrankenhaus BerlinBerlinDeutschland

Personalised recommendations