Advertisement

coloproctology

, Volume 40, Issue 2, pp 114–118 | Cite as

Kognitive Chirurgie/Chirurgie 4.0

Der Weg zur individualisierten Chirurgie
  • S. Speidel
  • S. Bodenstedt
  • L. Maier-Hein
  • H. Kenngott
Leitthema
  • 184 Downloads

Zusammenfassung

Kognitive Chirurgie steht für die Vision einer Chirurgie, die sich ergänzt durch maschinelle Kognition, also durch technisch-kognitive Systeme, die nicht nur vorprogrammierte Aufgaben ausführen, sondern eine gegebene Situation verstehen, angepasst handeln und daraus lernen – ähnlich einem menschlichen Assistenten. Dafür muss in einem Operationssaal das OP-Team mit Maschinen und Prozessen vernetzt werden, indem kontinuierlich über Sensoren und Geräte der Behandlungsverlauf erfasst und ausgewertet wird. Darauf aufbauend wird eine situationsbezogene Assistenz realisiert – beispielsweise eine intraoperative Komplikationsvorhersage oder robotergestützte Kameraführung. Beispiele aus der Forschung demonstrieren das Potenzial solcher Systeme. Dieser Wandel kann aber nur in interdisziplinärer Zusammenarbeit erfolgen; die Anforderungen an kognitive Assistenzsysteme müssen von Chirurgen in enger Kooperation mit Informatikern und Ingenieuren definiert werden. Der Chirurg soll nicht ersetzt, sondern mit Hilfe von kognitiver Assistenz unterstützt werden mit dem Ziel einer qualitativ höherwertigen Patientenversorgung.

Schlüsselwörter

Chirurgie 4.0 Computergestützte Chirurgie Kognitive Assistenzsysteme Surgical Data Science Intelligenter OP 

Cognitive surgery/surgery 4.0

The way to individualized surgery

Abstract

Cognitive surgery is the vision of a surgeon being guided by assistance systems that not only perform preprogrammed tasks but understand a given situation, act on it and learn from it, similar to a human assistant. In a networked operating room, the operation room team must be linked to machines and processes by continuously recording and evaluating the course of treatment via sensors and medical devices. Based on that a context-aware assistance is realized, for example, intraoperative prediction of complications or robot-assisted camera guidance. Examples from research demonstrate the potential of such systems; however, this paradigm shift can only occur through interdisciplinary collaboration, where the requirements for cognitive assistance systems must be defined by surgeons in close cooperation with computer scientists and engineers. The surgeon should not be replaced but supported by cognitive assistance with the goal to improve patient care.

Keywords

Surgery 4.0 Computer-assisted surgery Cognitive assistance system Surgical data science Intelligent operating room 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

S. Speidel und L. Maier-Hein arbeiten gemeinsam mit der Firma SAP, Karl Storz, Siemens Healthineers und mbits im OP 4.1-Projekt (gefördert durch das Bundesministerium für Wirtschaft und Energie) und H. Kenngott arbeitet mit der Firma Karl Storz im Rahmen des InnOPlan-Projekts (gefördert durch das Bundesministerium für Wirtschaft und Energie). S. Bodenstedt gibt an, dass kein Interessenkonflikt besteht.

Dieser Beitrag beinhaltet keine von den Autoren durchgeführten Studien an Menschen oder Tieren.

Literatur

  1. 1.
    Aksamentov I, Twinanda AP, Mutter D, Marescaux J, Padoy N (2017) Deep neural networks predict remaining surgery duration from cholecystectomy videos. In: Medical image computing and computer-assisted intervention, S 586–593Google Scholar
  2. 2.
    Bernhardt S, Nicolau SA, Soler L, Doignon C (2017) The status of augmented reality in laparoscopic surgery as of 2016. Med Image Anal 37:66–90CrossRefPubMedGoogle Scholar
  3. 3.
    Birkmeyer JD, Finks JF, O’reilly A, Oerline M, Carlin AM, Nunn AR, Birkmeyer NJ et al (2013) Surgical skill and complication rates after bariatric surgery. N Engl J Med 369(15):1434–1442CrossRefPubMedGoogle Scholar
  4. 4.
    Bihlmaier A (2016) Learning dynamic spatial relations. Springer Vieweg, WiesbadenCrossRefGoogle Scholar
  5. 5.
    Blum T, Padoy N, Feußner H, Navab N (2008) Modeling and online recognition of surgical phases using hidden markov models. In: Medical image computing and computer-assisted intervention, S 627–635Google Scholar
  6. 6.
    Bodenstedt S, Wagner M, Mayer B, Stemmer K, Kenngott H, Müller-Stich B, Speidel S et al (2016) Image-based laparoscopic bowel measurement. Int J Comput Assist Radiol Surg 11(3):407–419CrossRefPubMedGoogle Scholar
  7. 7.
    Cleary K, Peters TM (2010) Image-guided interventions: technology review and clinical applications. Annu Rev Biomed Eng 12:119–142CrossRefPubMedGoogle Scholar
  8. 8.
    Dergachyova O, Bouget D, Huaulmé A, Morandi X, Jannin P (2016) Automatic data-driven real-time segmentation and recognition of surgical workflow. Int J Comput Assist Radiol Surg 11(6):1081–1089CrossRefPubMedGoogle Scholar
  9. 9.
    De Rooij T, Klompmaker S, Hilal MA, Kendrick ML, Busch OR, Besselink MG (2016) Laparoscopic pancreatic surgery for benign and malignant disease. Nat Rev Gastroenterol Hepatol 13(4):227–238CrossRefPubMedGoogle Scholar
  10. 10.
    DiPietro R, Lea C, Malpani A, Ahmidi N, Vedula SS, Lee GI, Hager GD et al (2016) Recognizing surgical activities with recurrent neural networks. In: Medical image computing and computer-assisted intervention, S 551–558Google Scholar
  11. 11.
    Farahani N, Post R, Duboy J, Ahmed I, Kolowitz B, Krinchai T, Monaco S, Fine J, Hartman D, Pantanowitz L (2016) Exploring virtual reality technology and the Oculus Rift for the examination of digital pathology slides. J Pathol Inform 7(1):22CrossRefPubMedPubMedCentralGoogle Scholar
  12. 12.
    Franke S, Meixensberger J, Neumuth T (2013) Intervention time prediction from surgical low-level tasks. J Biomed Inform 46(1):152–159CrossRefPubMedGoogle Scholar
  13. 13.
    Gibaud B, Penet C, Pierre J (2014) OntoSPM: a core ontology of surgical procedure models. In: SurgeticaGoogle Scholar
  14. 14.
    Guédon AC, Paalvast M, Meeuwsen FC, Tax DM, van Dijke AP, Wauben LSGL, van den Dobbelsteen JJ (2016) It is time to prepare the next patient’real-time prediction of procedure duration in laparoscopic cholecystectomies. J Med Syst 40(12):271CrossRefPubMedPubMedCentralGoogle Scholar
  15. 15.
    OR.NET e.V. (2017) http://ornet.org. Zugegriffen: 30. Nov. 2017
  16. 16.
    https://innoplan.uni-hohenheim.de. Zugegriffen: 30. Nov. 2017
  17. 17.
    http://www.op41.de. Zugegriffen. 30. Nov. 2017
  18. 18.
    http://www.cognitionguidedsurgery.de. Zugegriffen: 30. Nov. 2017
  19. 19.
    Kagermann H, Lukas WD, Wahlster W (2011) Industrie 4.0: Mit dem Internet der Dinge auf dem Weg zur 4. industriellen Revolution. VDI Nachr 13:11Google Scholar
  20. 20.
    Katic D, Julliard C, Wekerle A, Kenngott H, Mueller-Stich B, Dillmann R, Speidel S, Jannin P, Gibaud B (2015) LapOntoSPM: an ontology for laparoscopic surgeries and its application to surgical phase recognition. Int J Comput Assist Radiol Surg 10(9):1427.  https://doi.org/10.1007/s11548-015-1222-1 CrossRefPubMedGoogle Scholar
  21. 21.
    Katić D, Wekerle AL, Görtler J, Spengler P, Bodenstedt S, Röhl S, Dillmann R et al (2013) Context-aware augmented reality in laparoscopic surgery. Comput Med Imaging Graph 37(2):174–182CrossRefPubMedGoogle Scholar
  22. 22.
    Kenngott HG, Apitz M, Wagner M, Preukschas AA, Speidel S, Müller-Stich BP (2017) Paradigm shift: cognitive surgery. Innov Surg Sci.  https://doi.org/10.1515/iss-2017-0012 Google Scholar
  23. 23.
    Maier-Hein L, Vedula SS, Speidel S, Navab N, Kikinis R, Park A, Hashizume M et al (2017) Surgical data science for next-generation interventions. Nat Biomed Eng 1(9):691CrossRefGoogle Scholar
  24. 24.
    März K, Hafezi M, Weller T, Saffari A, Nolden M, Fard N, Gharabaghi N et al (2015) Toward knowledge-based liver surgery: holistic information processing for surgical decision support. Int J Comput Assist Radiol Surg 10(6):749–759CrossRefPubMedGoogle Scholar
  25. 25.
    Obermeyer Z, Emanuel EJ (2016) Predicting the future—big data, machine learning, and clinical medicine. N Engl J Med 375(13):1216CrossRefPubMedPubMedCentralGoogle Scholar
  26. 26.
    Shademan A, Decker RS, Opfermann JD, Leonard S, Krieger A, Kim PC (2016) Supervised autonomous robotic soft tissue surgery. Sci Transl Med 8(337):337ra64–337ra64CrossRefPubMedGoogle Scholar
  27. 27.
    Reichard D, Häntsch D, Bodenstedt S, Suwelack S, Wagner M, Kenngott H, Speidel S et al (2017) Projective biomechanical depth matching for soft tissue registration in laparoscopic surgery. Int J Comput Assist Radiol Surg 12(7):1101.  https://doi.org/10.1007/s11548-017-1613-6 CrossRefPubMedGoogle Scholar
  28. 28.
    Singla R, Edgcumbe P, Pratt P, Nguan C, Rohling R (2017) Intra-operative ultrasound-based augmented reality guidance for laparoscopic surgery. Healthc Technol Lett 4(5):204–209CrossRefPubMedPubMedCentralGoogle Scholar
  29. 29.
    Twinanda AP, Shehata S, Mutter D, Marescaux J, de Mathelin M, Padoy N (2017) Endonet: a deep architecture for recognition tasks on laparoscopic videos. IEEE Trans Med Imaging 36(1):86–97CrossRefPubMedGoogle Scholar
  30. 30.
    Wirkert SJ, Vemuri AS, Kenngott HG, Moccia S, Götz M, Mayer BF, Maier-Hein L et al (2017) Physiological parameter estimation from multispectral images unleashed. Medical Image Computing and Computer-Assisted Intervention. Lecture Notes in Computer Science, S 134–141Google Scholar

Copyright information

© Springer Medizin Verlag GmbH, ein Teil von Springer Nature 2018

Authors and Affiliations

  • S. Speidel
    • 1
  • S. Bodenstedt
    • 1
  • L. Maier-Hein
    • 2
  • H. Kenngott
    • 3
  1. 1.Translationale Chirurgische OnkologieNationales Centrum für Tumorerkrankungen (NCT) DresdenDresdenDeutschland
  2. 2.Computer-assistierte medizinische InterventionenDeutsches Krebsforschungszentrum (DKFZ)HeidelbergDeutschland
  3. 3.Klinik für Allgemein‑, Viszeral- und TransplantationschirurgieUniversitätsklinikum HeidelbergHeidelbergDeutschland

Personalised recommendations