Las especialidades médicas tales como la cirugía de columna, están experimentando una transformación disruptiva a la vez que la ciencia de la computación más avanzada comienza a introducirse en el proceso de cuidados del paciente. La cantidad de opciones que esta tecnología puede aportar es inmensa, lo que permitiría manejar gran cantidad de datos, personalizar al máximo las cirugías, y potenciar la atención pre y post cirugía.
La cirugía vertebral es una de las especialidades más complejas en la medicina, que va más allá de los conocimientos anatómicos. Requiere la participación de un equipo multidisciplinar que apoya en todo momento al cirujano. Este personal requiere comprender la historia clínica del paciente, su diagnóstico, los hallazgos en pruebas de imagen, preparar un plan quirúrgico específico, ejecutar la propia cirugía, adaptarse a posibles imprevistos durante la misma y, no menos importante, monitorizar la evolución post-cirugía y aportar un plan de rehabilitación específico.
La innovación en salud mediante las ciencias aplicadas de aprendizaje automático (machine learning) o inteligencia artificial, permiten agilizar estos procesos y mejorar diversos factores antes, durante y después de la cirugía. Esto permitiría potenciar los resultados clínicos de los pacientes.
Discectomias, laminectomías, fusiones vertebrales, Implantaciones de discos artificiales, foraminotomías, vertebroplastias o cifoplastias… ¡Todas ellas pueden dar mejores resultados!
¿Te animas a conocer cómo?
La inteligencia artificial (IA) es un campo amplio de conocimiento que abarca múltiples áreas, entre las que se incluyen imitar el razonamiento, la representación del conocimiento, la planificación, el procesamiento del lenguaje natural (NLP) y la percepción humana.
Para ello, uno de los pilares clave de esta tecnología es el aprendizaje automático, o machine learning (ML), que se refiere al desarrollo de algoritmos capaces de mejorar su rendimiento a partir de la experiencia. Estos sistemas pueden aprender y adaptarse sin necesidad de intervención humana constante, lo que los convierte en herramientas potentes para la resolución de problemas complejos.
Esta tecnología, aplicada a la cirugía de columna, podría mejorar todo el proceso de atención al paciente: precirugía para predecir casos de éxito o evitar complicaciones, mejora de la cirugía en tiempo real o postcirugía aportando una rehabilitación personalizada.
🔎 En otro blog anterior ya hemos hablado sobre la IA y el Machine Learning 👇
¡Te damos 12 casos de uso reales de cómo pueden impactar en la cirugía de columna!
Usos preoperatorios en Cirugía de Columna
1️⃣ Optimización de asignación de tratamientos personalizados
Tal y como hemos mencionado anteriormente, los cirujanos de columna se enfrentan a la tremenda dificultad de gestionar gran cantidad de información del paciente para finalmente tomar una decisión terapéutica: ¿Operar o no? ¿Qué técnica quirúrgica es la ideal? ¿Cómo evitar al máximo las complicaciones o riesgos asociados? ¿Cómo adaptarla a las posibles comorbilidades?
Estos procesadores de datos de IA permiten analizar grandes cantidades de datos de los pacientes, comprender su estado preoperatorio y así, ayudar a la toma de decisiones para obtener los resultados deseados en pacientes específicos. Conforme se vayan perfeccionando estos procesamientos de información, facilitará aplicar el tratamiento con mayor potencial para lograr resultados óptimos en base a variables del paciente, tales como la presencia de patología cardiovascular, osteoporosis, tipo de hernia discal, morfología ósea, etc.
Un trabajo de 2019 creó un modelo predictivo en base a un aprendizaje automático supervisado de resultados quirúrgicos tras cirugía por mielopatía cervical degenerativa. Factores como mayor gravedad de la enfermedad preoperatoria, mayor duración de los síntomas, mayor edad, mayor peso corporal y ser fumador activo se asociaron con peores resultados quirúrgicos. Estos modelos son especialmente útiles para seleccionar el tratamiento más adecuado en estas cirugías.
Imagen de Merali ZG et al 2019 Plos One
2️⃣ Interacción entre Hallazgos Físicos e Imágenes Radiográficas
No solo puede analizar este tipo de información preoperatoria, sino que existen tecnologías que pueden analizar de manera minuciosa una prueba de imagen como una radiografía. La capacidad de aprender de miles de imágenes previas, permite en ocasiones, dar diagnósticos o aproximaciones similares o incluso mejores que el juicio clínico de un cirujano especializado.
La tecnología podría así refinar los criterios de selección de una intervención quirúrgica u otra en base a hallazgos anatómicos o patológicos que puedan aparecer en una radiografía o resonancia magnética en cuestión de pocos segundos (prominencias óseas como osteofitos, morfología de fractura vertebral, estado del tejido óseo, posibles vasos vasculonerviosos cercanos…).
Este tipo de tecnología es especialmente adecuada para tareas como la identificación de escenas o imágenes, y por ello se está aplicando cada vez más en la automatización de la evaluación radiográfica.
3️⃣ Automatización del cálculo de métricas radiográficas
El cálculo y evaluación cuantitativa de descriptores vertebrales de cada persona a raíz de datos de imágenes son imprescindibles para adecuar un tratamiento quirúrgico. El ángulo de Cobb, balance sagital, densidad ósea, altura de disco cerebral o ángulo de rotación vertebral, suelen obtenerse de resonancias magnéticas, tomografías o radiografías.
El cálculo manual de cada una de estas métricas consume mucho tiempo, aunque el proceso de calcular mediciones de alineación espinal puede ser realizado por personas sin formación específica o, en este caso, por tecnologías de cálculo. Estudios recientes han utilizado IA/ML para automatizar estas mediciones y realizar predicciones sobre la idoneidad de los pacientes para la derivación quirúrgica.
Aquí un ejemplo de aplicación práctica de la tecnología en el ángulo de Cobb: [🔗Enlace al artículo] El estudio observó cifras tan llamativas como una precisión del 98.37%, especificidad del 98.73% y sensibilidad del 88.24%!!!
Imagen obtenida de Xie L et al 2022 Am J Transl Res
4️⃣ Modelos predictivos e identificación de posibles riesgos
La evaluación computacional de imágenes radiográficas utilizando IA/ML para evaluar el estado del tejido ósea podría ayudar a gestionar los posibles riesgos asociados a una cirugía de columna. Conocer cierta información anatómica del paciente permite, por ejemplo, conocer la colocación ideal de tornillos en relación con la densidad ósea distribuida en una vértebra determinada.
Un trabajo publicado por el equipo de Christpher P Ames en 2019 desarrolló modelos predictivos preoperatorios para anticipar la respuesta de pacientes con deformidades de columna en base a valores de calidad de vida con el cuestionario Scoliosis Research Society-22R (SRS-22R). Utilizaron datos de dos cohortes de pacientes y emplearon modelos de aprendizaje automático basados en 150 variables, como datos demográficos, quirúrgicos y complicaciones perioperatorias. El estudio demostró que los modelos lograron predecir con mayor precisión las respuestas relacionadas con dolor, discapacidad y función social y laboral, mientras que fueron menos precisos en áreas como satisfacción general, depresión y ansiedad, o apariencia.
Otro trabajo de 2018 entrenó y validó el uso de aprendizajes automáticos como las redes neuronales artificiales, para identificar factores de riesgos asociados a complicaciones tras una fusión lumbar posterior.
Imagenes de https://pubmed.ncbi.nlm.nih.gov/29016439/
Este sistema superó los sistemas estandarizados de manera manual que se utilizaban hasta la fecha como la clasificación de la Sociedad Americana de Anestesiología. Es decir, localizaron las características clínicas y del paciente más propensas a conducir a mejores resultados o a complicaciones mayores, como la enfermedad del segmento adyacente o la cifosis de la unión proximal.
Esta información no solo nos permite conocer los riesgos modificables, sino que permiten cambiar el plan quirúrgico, asesorar a los pacientes sobre la relación riesgo/beneficio de operar y ofrecer un enfoque más individualizado.
5️⃣ Mejora de la toma de decisiones en base a más información
Los profesionales de la salud suelen tener una limitación importante en su práctica clínica diaria: la falta de tiempo. Aunque el poder obtener del paciente la máxima información posible es un objetivo constante del cirujano, el tiempo limitado del que se dispone para obtener, cuantificar e interpretar esta información de manera manual hace imposible hacer una evaluación completa.
Sin embargo, los sistemas automatizados de ML o IA pueden mejorar esta situación. Son capaces de crear información y métricas fiables, comprensibles y rápidas a partir de datos preoperatorios (cuestionarios, historial clínico, signos y síntomas…). Esta tecnología podría recoger toda la información disponible en los historiales clínicos, junto a lo reportado en la entrevista clínica, y dar diferentes opciones de decisiones clínicas basadas en esa información.
Saber de antemano qué procedimiento promete el mejor resultado en un paciente individual es una forma en que la IA/ML aportará valor al paciente al informar la práctica clínica.
Usos Intraoperatorios en Cirugía Vertebral
6️⃣ Mejora de la planificación y procedimiento intraoperatoria
Intraoperatoriamente, la IA tiene el potencial de mejorar las tecnologías de navegación y robótica actuales. La alineación y la colocación final de la estructura estarán guiadas por la visión por computadora, que rastreará y reportará el progreso y la posición final de la columna vertebral.
Este trabajo de Wesley M Durand de 2021 publicado en la European Spine Journal es un ejemplo práctico de computer vision. La tecnología analizó radiografías laterales preoperatorios con deformidades, y analizó puntos de referencia anatómicos espinopélvicos sagitales. Esta información obtenida permitió agrupar los pacientes en diversos clusters. Esta información permite adaptar y personalizar la cirugía de columna para así mejorar los resultados.
Otro ejemplo práctico es el de Peng Li et al 2020. El modelado de elementos finitos, ejecutado en tiempo real contra la estructura final, proporcionará información sobre la robustez frente a la gravedad en la posición erguida de las estructura ósea. El modelo consiguió localizar aquellos pacientes con riesgo de desarrollar cifosis proximal de la unión en pacientes con escoliosis tras la cirugía.
7️⃣ Optimización de estructuras quirúrgicas
Toda esta información que podemos extraer del análisis de información también permiten al cirujano configurar estructuras específicas y adaptadas a los resultados de la estructura ósea. Elegir un material específico podría reducir el estrés en niveles adyacentes, lo que conducirá a mejores resultados para el paciente.
Crear prótesis quirúrgicas que corrijan y se adapten a los datos de robustez del tejido óseo, permitirían, por ejemplo, prevenir la aparición de una cifosis secundaria a la intervención. Estructuras reforzadas o adaptadas a estos hechos,
¡sería un éxito absoluto de la IA en cirugía ortopédica!
8️⃣ Mejora decisión clínica en tiempo real
Esta tecnología de visión computerizada y programas de ML también podrá aplicarse en la propia cirugía in situ para apoyar la toma de decisiones clínicas en tiempo real. Realidad aumentada, superposición de imágenes… Y no solo eso, también podría ayudará a extraer información en tiempo real para incluir dentro de un informe quirúrgico sin que el cirujano tenga que pararse a redactar. Cada segmento de la cirugía y cada paso realizado podrá ser extraído, analizado y archivado para poder revisar en un futuro.
Imágenes de Bian D et al. The application of extended reality technology-assisted intraoperative navigation in orthopedic surgery. Front Surg [Internet]. 2024;11(February):1–15. Available from: https://doi.org/10.3389/fsurg.2024.1336703
Los casos con resultados óptimos, y aquellos con resultados subóptimos y complicaciones se utilizarán para alimentar el proceso de aprendizaje de la IA/ML, identificando las mejores prácticas que conduzcan a los mejores resultados. En un futuro cercano, la escena quirúrgica en vivo será «leída» por la computadora, y se le presentará al cirujano soporte de decisión clínica correlacionado con los resultados y la experiencia de miles de casos.
La tecnología otorga a un solo cirujano el beneficio de cientos de años acumulados de experiencia. Ayudará a seleccionar cuál es la mejor acción a tomar en un momento particular, en un tipo específico de operación, en un paciente determinado.
Usos post operatorios
9️⃣ Monitoreo de evolución postquirúrgico
La IA/ML influye en todos los aspectos del continuo de atención, incluyendo el período postoperatorio. Las métricas de resultados y las características físicas de los pacientes pueden registrarse objetivamente utilizando diferentes tecnologías tanto en el entorno hospitalario como en el hogar del paciente.
Un ejemplo es el caso de RehBody y su Dashboard o panel de control para el profesional sanitario. Desde una simple página web, el cirujano puede objetivar la evolución del paciente de manera remota mediante el envío de cuestionarios clínicos validados y conocer las cifras de adherencia al programa de ejercicios de rehabilitación. De esta forma, podemos conocer el progreso del paciente de manera rápida en formato de gráficas o , si quisiéramos más detalle, analizar cada una de las respuestas del paciente en cuestionarios como el Roland-Morris, el Neck Disability Index, Oswestry o la EVA para la intensidad del dolor, entre otras muchas.
¡Podríamos actuar de manera rápida si viéramos que el paciente no progresa o empeora!
🔎¡Aprende a aplicar telerehabilitación en Fisioterapia según Guías de Práctica Clínica!
1️⃣0️⃣ Creación de fenotipos de pacientes
De manera similar, numerosos sensores y aplicaciones en teléfonos móviles están creando «fenotipos digitales» de los pacientes que pueden utilizarse para supervisar, involucrar y predecir aspectos del estado preoperatorio del paciente y el curso postoperatorio.
Trabajos como el de Boaro A et al 2021 observó una correlación moderada-fuerte entre la información obtenida de movilidad de pacientes monitorizados mediante el GPS de su teléfono móvil y los resultados en dolor (EVA) y función física en escalas como PROMIS o ODI.
Imagen obtenida de Boaro A, Leung J, Reeder HT, Siddi F, Mezzalira E, Liu G, Mekary RA, Lu Y, Groff MW, Onnela JP, Smith TR. Smartphone GPS signatures of patients undergoing spine surgery correlate with mobility and current gold standard outcome measures. J Neurosurg Spine. 2021 Aug 27;35(6):796-806. doi: 10.3171/2021.2.SPINE202181.
1️⃣1️⃣ Evaluación de heridas quirúrgicas
Otra opción es crear modelos de aprendizaje en base a imágenes de heridas quirúrgicas. Una imagen de una herida evaluada mediante IA/ML podría identificar infecciones, deshiscencias o similares que sugieren una evolución tórpida de la herida.
El estudio de 2024 titulado «Avances en la aplicación de la inteligencia artificial a la evaluación de heridas cutáneas y la predicción del tiempo de cicatrización» analizó las posibilidades que las tecnologías de IA pueden aportar en el cuidado de heridas:
1) automatizar y mejorar la evaluación, clasificación e identificación de etapas de curación
2) predecir tiempos de recuperación y así planificar el tratamiento y la atención médica
3) creación de robots inteligentes
4) atención personalizada de la herida
1️⃣2️⃣ Prescripción y control de programas de ejercicios
Un aspecto fundamental en una cirugía de columna es el proceso de rehabilitación y fisioterapia tras la misma. Devolver al paciente sus capacidades físicas y funcionales lo más precozmente posibles es objetivo clave de esta especialidad.
Las nuevas tecnologías como el sistema de tratamiento digital de RehBody, permite prescribir a los pacientes programas de ejercicio terapéutico individualizados, a la vez que la propia inteligencia artificial corrige y guía los movimientos del paciente.
Superman Brazo Derecho Pierna Izquierda
Peso Muerto
RehBody para la Prescripción y Monitorización de Rehabilitación tras Cirugía de Columna
Tras una cirugía vertebral, el proceso de rehabilitación es fundamental para recuperar la movilidad, fortalecer los músculos y prevenir futuros problemas. Sin embargo, el acceso regular a sesiones presenciales de fisioterapia puede ser complicado para muchos pacientes, especialmente aquellos con movilidad reducida o limitaciones para trasladarse. Aquí es donde entra en juego RehBody, una plataforma que revoluciona el enfoque tradicional de la rehabilitación.
Con RehBody, los profesionales de salud pueden desarrollar planes de recuperación específicos para cada paciente, basados en las particularidades de su cirugía de columna. Estos programas de ejercicio terapéutico, diseñados para ser realizados en casa, no solo facilitan una rehabilitación más accesible, sino que también ayudan a mantener un progreso constante y a minimizar el riesgo de complicaciones durante el proceso de recuperación.
RehBody también permite un seguimiento en tiempo real del desempeño de cada paciente gracias a su tecnología de cumputer vision. Esta información se facilita a los profesionales de la salud en forma de datos precisos, permitiendo ajustar los programas según la evolución individual. Esto garantiza que la rehabilitación sea adaptativa y personalizada, optimizando los resultados a lo largo del tiempo.
Incorporar esta solución digital en tu práctica profesional no solo ofrece una solución tecnológica innovadora, sino que también transforma la manera en que los pacientes recuperan su salud tras una cirugía de columna. Proporciona a tus pacientes una rehabilitación efectiva, accesible y totalmente personalizada para maximizar su recuperación tras una cirugía de columna.
Pablo Rodríguez Sánchez-Laulhé
PhD Candidate | PT & eHealth Researcher
Referencias
- Browd SR, Park C, Donoho DA. Potential Applications of Artificial Intelligence and Machine Learning in Spine Surgery Across the Continuum of Care. Int J Spine Surg. 2023;17(S1):S26–33.
- Patel A, Dada A, Saggi S, Yamada H, Ambati VS, Goldstein E, et al. Personalized Approaches to Spine Surgery Personalized Approaches to Spine Surgery. Int J Spine Surg. 2024;(Aug 27).
- Jin M, Schröder M, Staartjes VE. Artificial Intelligence and Machine Learning in Spine Surgery. Robot Navig Spine Surg Surg Tech Adv. 2022;17:213–29
- Chen MY, Cao MQ, Xu TY. Progress in the application of artificial intelligence in skin wound assessment and prediction of healing time. Am J Transl Res. 2024 Jul 15;16(7):2765-2776. doi: 10.62347/MYHE3488. PMID: 39114681; PMCID: PMC11301465.
- Peng L, Zhang G, Zuo H, Lan L, Zhou X. Surgical Design Optimization of Proximal Junctional Kyphosis. J Healthc Eng. 2020 Sep 16;2020:8886599. doi: 10.1155/2020/8886599. PMID: 33014322; PMCID: PMC7525290.
- Xie L, Zhang Q, He D, Wang Q, Fang Y, Ge T, Jiang Y, Tian W. Automatically measuring the Cobb angle and screening for scoliosis on chest radiograph with a novel artificial intelligence method. Am J Transl Res. 2022 Nov 15;14(11):7880-7888. PMID: 36505309; PMCID: PMC9730103.
- Durand WM, Lafage R, Hamilton DK, Passias PG, Kim HJ, Protopsaltis T, Lafage V, Smith JS, Shaffrey C, Gupta M, Kelly MP, Klineberg EO, Schwab F, Gum JL, Mundis G, Eastlack R, Kebaish K, Soroceanu A, Hostin RA, Burton D, Bess S, Ames C, Hart RA, Daniels AH; International Spine Study Group (ISSG). Artificial intelligence clustering of adult spinal deformity sagittal plane morphology predicts surgical characteristics, alignment, and outcomes. Eur Spine J. 2021 Aug;30(8):2157-2166. doi: 10.1007/s00586-021-06799-z. Epub 2021 Apr 15. PMID: 33856551.
- Bian D, Lin Z, Lu H, Zhong Q, Wang K, Tang X, Zang J. The application of extended reality technology-assisted intraoperative navigation in orthopedic surgery. Front Surg. 2024 Feb 5;11:1336703. doi: 10.3389/fsurg.2024.1336703. PMID: 38375409; PMCID: PMC10875025.
- Boaro A, Leung J, Reeder HT, Siddi F, Mezzalira E, Liu G, Mekary RA, Lu Y, Groff MW, Onnela JP, Smith TR. Smartphone GPS signatures of patients undergoing spine surgery correlate with mobility and current gold standard outcome measures. J Neurosurg Spine. 2021 Aug 27;35(6):796-806. doi: 10.3171/2021.2.SPINE202181. PMID: 34450590; PMCID: PMC9012532.