Acta otorrinolaringol. cir. cuello (En línea); 50 (2), 2022
Publication year: 2022
Introducción:
la revolución tecnológica que hemos vivido en los últimos años ha
generado un extendido uso de la inteligencia artificial (IA) como tecnología de base
para el desarrollo de diversos sistemas y soluciones en medicina. En el campo de la
otorrinolaringología, estamos viendo hasta ahora los primeros esfuerzos para aprovechar
este surgimiento. Objetivo:
el presente proyecto busca describir el proceso
de desarrollo de una app móvil creada gracias al trabajo colaborativo entre otorrinolaringólogos e ingenieros biomédicos, que tiene la intención de optimizar la
evaluación preoperatoria de la tomografía de senos paranasales (TC de SPN). Métodos:
el desarrollo de la app siguió el método de priorización para especificaciones
de MoSCoW. Utilizamos la información recolectada de encuestas realizadas a 29 expertos en rinología de diferentes partes del mundo, quienes evaluaron variantes
anatómicas en la tomografía y se utilizaron dos modelos de regresión para la predicción
de dificultad y riesgo a partir de herramientas de aprendizaje estadístico.
Conclusión:
hemos desarrollado una herramienta y un modelo estadístico que es
fácil de utilizar y que idealmente ayudará al cirujano en el proceso de evaluación
preoperatoria de TC de SPN. Este es un ejercicio que permite demostrar la eficacia
de un desarrollo colaborativo para lograr soluciones en nuestra especialidad y un
acercamiento hacia la IA.
Introduction:
The recent technology revolution that we have experienced has generated
extensive interest in the use of artificial intelligence (AI) in the development
of various systems and solutions in medicine. In the field of Otorhinolaryngology,
we are seeing the first efforts to take advantage of this flourishing area. Objective:
We sought to describe the development process of a mobile app created through a
collaborative effort between ENT surgeons and biomedical engineers. This app has
the intention to optimize the preoperative evaluation of paranasal sinus tomography
(CT) to improve safety and outcomes in Endoscopic Sinus Surgery (ESS). Methods:
The development of the app followed the prioritization method for MoSCoW specifications.
We used the information collected from surveys of 29 Rhinology experts
from different parts of the world, who evaluated anatomical variants on sinus CT
scans. Two regression models were used to predict difficulty and risk using statistical
learning. Conclusion:
Via statistical modelling, we have developed a user-friendly
tool that will ideally help surgeons assess the risk and difficulty of ESS based on
the pre-operative CT scan of the sinuses. This is an exercise that demonstrates the
efficacy of the collaborative efforts between surgeons and engineers to leverage AI
tools and promote better solutions for our patients.