Искусственный интеллект для прогнозирования различных состояний в вертебрологии: систематический обзор

Искусственный интеллект для прогнозирования различных состояний в вертебрологии: систематический обзор

Автор: Переверзев Владимир Сергеевич, Казьмин Аркадий Иванович, Сажнев Максим Леонидович, Пантелеев Андрей Андреевич, Колесов Сергей Васильевич

Журнал: Гений ортопедии @geniy-ortopedii

Рубрика: Обзор литературы

Статья в выпуске: 6 т.27, 2021 года.

Бесплатный доступ

Введение. Искусственный интеллект (ИИ) - это программные системы в сочетании c применяемыми в них методами и алгоритмами, главной особенностью которых является способность решать интеллектуальные задачи. Одним из наиболее популярных направлений применения ИИ является прогнозирование различных ситуаций, оценка любой цифровой информации с попыткой дать по ней заключение, а также анализ различных данных с поиском скрытых закономерностей. Дизайн исследования. Систематический обзор. Цель. Оценить текущие возможности искусственного интеллекта (ИИ) для прогноза неблагоприятных состояний в вертебрологии, требующих медицинской помощи, и будущие перспективы развития в этой области. Материалы и методы. При помощи протокола (PRISMA) «Предпочтительные параметры отчетности для систематических обзоров и мета-анализа» проведен поиск в системах Medline, Scopus и eLIBRARY до июня 2020 г. с использованием ключевых слов для поиска статей, направленный на то, чтобы обобщить существующие данные, касающиеся алгоритмов прогноза каких-либо патологических состояний в вертебрологии, требующих медицинского вмешательства, с помощью технологий искусственного интеллекта. Результаты. Для систематического обзора отобрано 20 публикаций, в которых представлены данные об использовании искусственного интеллекта, машинного обучения, нейронных сетей для прогноза каких-либо состояний в вертебрологии. Согласно проведенному обзору, полученные данные свидетельствуют о том, что ИИ можно успешно применять для оптимизации прогноза при различных заболеваниях позвоночника. Поэтому использование ИИ в клинической практике вертебрологов может улучшить результаты лечения. Заключение. Популяризация использования искусственного интеллекта в медицине неизбежна. На сегодняшний день ИИ показывает хорошие результаты в области принятия врачом клинических решений и способности прогнозировать результаты лечения в зависимости от тех или иных факторов. Необходимо, чтобы спинальные хирурги осознали потенциал этих новых технологий. Тем не менее, некоторые факторы, которые определяют клиническое применение искусственного интеллекта, такие как способность учитывать контекст анамнеза пациента, трудно рассчитать математически, и поэтому они затруднительны для алгоритмического подхода. В конечном счете, врачи будут продолжать играть жизненно важную роль в лечении пациентов, и искусственный интеллект не обесценит их клинические навыки, а сделает их еще более важными.

Еще

Искусственный интеллект, систематический обзор, машинное обучение, вертебрологи, нейронные сети в вертебрологии, прогноз в вертебрологии

Короткий адрес: https://sciup.org/142231580

IDR: 142231580   |   DOI: 10.18019/1028-4427-2021-27-6-813-820

Список литературы Искусственный интеллект для прогнозирования различных состояний в вертебрологии: систематический обзор

  • Гусев А.В., Добриднюк С.Л. Искусственный интеллект в медицине и здравоохранении // Информационное общество. 2017. № 4-5. C. 78-93.
  • Applications of Machine Learning Using Electronic Medical Records in Spine Surgery / J.T. Schwartz, M. Gao, E.A. Geng, K.S. Mody, C.M. Mikhail, S.K. Cho // Neurospine. 2019. Vol. 16, No 4. P. 643-653. DOI: 10.14245/ns.1938386.193.
  • Panchmatia J.R., Visenio M.R., Panch T. The role of artificial intelligence in orthopaedic surgery // Br. J. Hosp. Med. (Lond). 2018. Vol. 79, No 12. P. 676-681. DOI: 10.12968/hmed.2018.79.12.676.
  • Artificial Intelligence in Musculoskeletal Imaging: Current Status and Future Directions / S. Gyftopoulos, D. Lin, F. Knoll, A.M. Doshi, T.C. Rodrigues, M.P. Recht // AIR Am. I. Roentgenol. 2019. Vol. 213, No 3. P. 506-513. DOI: 10.2214/AJR.19.21117.
  • Knobloch K., Yoon U., Vogt P.M. Preferred reporting items for systematic reviews and meta-analyses (PRISMA) statement and publication bias // J. Craniomaxillofac. Surg. 2011. Vol. 39, No 2. P. 91-92. DOI: 10.1016/j.jcms.2010.11.001.
  • A primary care back pain screening tool: identifying patient subgroups for initial treatment / J.C. Hill, K.M. Dunn, M. Lewis, R. Mullis, C.J. Main, N.E. Foster, E.M. Hay // Arthritis Rheum. 2008. Vol. 59, No 5. P. 632-641. DOI: 10.1002/art.23563.
  • Relationship between pain and vertebral motion in chronic low-back pain subjects / J.P. Dickey, M.R. Pierrynowski, D.A. Bednar, S.X. Yang // Clin. Biomech. (Bristol, Avon). 2002. Vol. 17, No 5. P. 345-352. DOI: 10.1016/s0268-0033(02)00032-3.
  • Comparison of logistic regression and artificial neural network in low back pain prediction: second national health survey / M. Parsaeian, K. Mohammad, M. Mahmoudi, H. Zeraati // Iran J. Public Health. 2012. Vol. 41, No 6. P. 86-92. PMCID: PMC3469002.
  • Return to Work after Lumbar Microdiscectomy - Personalizing Approach through Predictive Modeling / M. Papic, S. Brdar, V. Papic, T. Loncar-Turukalo // Stud. Health Technol. Inform. 2016. Vol. 224. P. 181-183.
  • Self-learning computers for surgical planning and prediction of postoperative alignment / R. Lafage, S. Pesenti, V. Lafage, F.J. Schwab // Eur. Spine J. 2018. Vol. 27, No Suppl 1. P. 123-128. DOI: 10.1007/s00586-018-5497-0.
  • Predicting Surgical Complications in Adult Patients Undergoing Anterior Cervical Discectomy and Fusion Using Machine Learning / V. Arvind, J.S. Kim, E.K. Oermann, D. Kaji, S.K. Cho // Neurospine. 2018. Vol. 15, No 4. P. 329-337. DOI: 10.14245/ns.1836248.124.
  • Development of machine learning and natural language processing algorithms for preoperative prediction and automated identification of intraoperative vascular injury in anterior lumbar spine surgery/A.V. Karhade, M.E.R. Bongers, O.Q. Groot, T.D. Cha, T.P. Doorly, H.A. Fogel, S.H. Hershman, D.G. Tobert, S.D. Srivastava, C.M. Bono, J.D. Kang, M.B. Harris, J.H. Schwab // Spine J. 2020?S1529-9430(20)30135-2. DOI: 10.1016/j.spinee.2020.04.001.
  • Development of Machine Learning Algorithms for Prediction of 5-Year Spinal Chordoma Survival / A.V. Karhade, Q. Thio, P. Ogink, J. Kim, S. Lozano-Calderon, K. Raskin, J.H. Schwab // World Neurosurg. 2018. Vol. 119. P. e842-e847. DOI: 10.1016/j.wneu.2018.07.276.
  • Examining the Ability of Artificial Neural Networks Machine Learning Models to Accurately Predict Complications Following Posterior Lumbar Spine Fusion / J.S. Kim, R.K. Merrill, V. Arvind, D. Kaji, S.D. Pasik, C.C. Nwachukwu, L. Vargas, N.S. Osman, E.K. Oermann, J.M. Caridi, S.K. Cho // Spine (Phila Pa 1976). 2018. Vol. 43, No 12. P. 853-860. DOI: 10.1097/BRS.0000000000002442.
  • Ghogawala Z., Dunbar M.R., Essa I. Lumbar spondylolisthesis: modern registries and the development of artificial intelligence // J. Neurosurg. Spine. 2019. Vol. 30, No 6. P. 729-735. DOI: 10.3171/2019.2.SPINE18751.
  • Artificial Intelligence Based Hierarchical Clustering of Patient Types and Intervention Categories in Adult Spinal Deformity Surgery: Towards a New Classification Scheme that Predicts Quality and Value / C.P. Ames, J.S. Smith, F. Pellise, M. Kelli, A. Alanay, E. Acaroglu, F.J.S. Peres-Grueso, F. Kleinstück, I. Obeid, A. Vila-Casademunt, C.I. Shaffrey Jr., D. Burton, V. Lafage, F. Schwab, C.I. Shaffrey Sr., S. Bess, M. Serra-Burriel; European Spine Study Group, International Spine Study Group // Spine (Phila Pa 1976). 2019. Vol. 44, No 13. P. 915-926. DOI: 10.1097/BRS.0000000000002974.
  • Artificial Intelligence for Adult Spinal Deformity / R.S. Joshi, A.F. Haddad, D. Lau, C.P. Ames // Neurospine. 2019. Vol. 16, No 4. P. 686-694. DOI: 10.14245/ns.1938414.207.
  • A machine learning approach for predictive models of adverse events following spine surgery / S.S. Han, T.D. Azad, P.A. Suarez, J.K. Ratliff // Spine J. 2019. Vol. 19, No 11. P. 1772-1781. DOI: 10.1016/j.spinee.2019.06.018.
  • Prediction of cervical spine injury in young pediatric patients: an optimal trees artificial intelligence approach / D. Bertsimas, P.T. Masiakos, K.S. Mylonas, H. Wiberg // J. Pediatr. Surg. 2019. Vol. 54, No 11. P. 2353-2357. DOI: 10.1016/j.jpedsurg.2019.03.007.
  • Deep learning-based preoperative predictive analytics for patient-reported outcomes following lumbar discectomy: feasibility of center-specific modeling / V.E. Staartjes, M.P. de Wispelaere, W.P. Vandertop, M.L. Schröder // Spine J. 2019. Vol. 19, No 5. P. 853-861. DOI: 10.1016/j.spinee.2018.11.009.
  • Deep Learning Convolutional Neural Networks for the Automatic Quantification of Muscle Fat Infiltration Following Whiplash Injury / K.A. Weber, A.C. Smith, M. Wasielewski, K. Eghtesad, P.A. Upadhyayula, M. Wintermark, T.J. Hastie, T.B. Parrish, S. Mackey, J.M. Elliot // Sci. Rep. 2019. Vol. 9, No 1. P. 7973. DOI: 10.1038/s41598-019-44416-8.
  • Ryu S.M., Seo S.W., Lee S.H. Novel prognostication of patients with spinal and pelvic chondrosarcoma using deep survival neural networks // BMC Med. Inform. Decis. Mak. 2020. Vol. 20, No 1. P. 3. DOI: 10.1186/s12911-019-1008-4.
  • A Review on the Use of Artificial Intelligence in Spinal Diseases / P. Azimi, T. Yazdanian, E.C. Benzel, H.N. Aghaei, S. Azhari, S. Sadeghi, A. Montazeri // Asian Spine J. 2020. Vol. 14, No 4. P. 543-571. DOI: 10.31616/asj.2020.0147.
  • Using artificial intelligence (AI) to predict postoperative surgical site infection: A retrospective cohort of 4046 posterior spinal fusions / B.S. Hopkins, A. Mazmudar, C. Driscol, M. Svet, J. Goergen, M. Kelsten, N.A. Shlobin, K. Kesavabhotla, Z.A. Smith, N.S. Dahdaleh // Clin. Neurol. Neurosurg. 2020. Vol. 192. P. 105718. DOI: 10.1016/j.clineuro.2020.105718.
  • Ghogawala Z., Dunbar M., Essa I. Artificial Intelligence for the Treatment of Lumbar Spondylolisthesis // Neurosurg. Clin. N. Am. 2019. Vol. 30, No 3. P. 383-389. DOI: 10.1016/j.nec.2019.02.012.
  • Development of machine learning algorithms for prediction of prolonged opioid prescription after surgery for lumbar disc herniation / A.V. Karhade, P.T. Ogink, Q.C.B.S. Thio, T.D. Cha, W.B. Gormley, S.H. Hershman, T.R. Smith, J. Mao, A.J. Schoenfeld, C.M. Bono, J.H. Schwab // Spine J. 2019. Vol. 19, No 11. P. 1764-1771. DOI: 10.1016/j.spinee.2019.06.002.
  • Development of an unsupervised machine learning algorithm for the prognostication of walking ability in spinal cord injury patients / Z. DeVries, M. Hoda, C.S. Rivers, A. Maher, E. Wai, D. Moravek, A. Stratton, S. Kingwell, N. Fallah, J. Paquet, P. Phan; RHSCIR Network // Spine J. 2020. Vol. 20, No 2. P. 213-224. DOI: 10.1016/j.spinee.2019.09.007.
  • Development of machine learning algorithms for prediction of discharge disposition after elective inpatient surgery for lumbar degenerative disc disorders / A.V. Karhade, P. Ogink, Q. Thio, M. Broekman, T. Cha, W.B. Gormley, S. Hershman, W.C. Peul, C.M. Bono, J.H. Schwab // Neurosurg. Focus. 2018. Vol. 45, No 5. P. E6. DOI: 10.3171/2018.8.FOCUS18340.
  • Meyer B., Gempt J. Stupid mistakes // World Neurosurg. 2013. Vol. 79, No 3-4. P. 447. DOI: 10.1016/j.wneu.2012.10.044.
  • The prevalence of wrong level surgery among spine surgeons / M.G. Mody, A. Nourbakhsh, D.L. Stahl, M. Gibbs, M. Alfawareh, K.J. Garges // Spine (Phila Pa 1976). 2008. Vol. 33, No 2. P. 194-198. DOI: 10.1097/BRS.0b013e31816043d1.
  • Makary M.A., Daniel M. Medical error - the third leading cause of death in the US // BMJ. 2016. Vol. 353. P. i2139. DOI: 10.1136/bmj.i2139.
  • Artificial intelligence in neurodegenerative disease research: use of IBM Watson to identify additional RNA-binding proteins altered in amyotrophic lateral sclerosis / N. Bakkar, T. Kovalik, I. Lorenzini, S. Spangler, A. Lacoste, K. Sponaugle, P. Ferrante, E. Argentinis, R. Sattler, R. Bowser // Acta Neuropathol. 2018. Vol. 135, No 2. P. 227-247. DOI: 10.1007/s00401-017-1785-8.
  • Artificial Intelligence in Cardiology / K.W. Johnson, J.Torres Soto, B.S. Glicksberg, K. Shameer, R. Miotto, M. Ali, E. Ashley, J.T. Dudley // J. Am. Coll. Cardiol. 2018. Vol. 71, No 23. P. 2668-2679. DOI: 10.1016/j.jacc.2018.03.521.
  • Kapoor R., Walters S.P., Al-Aswad L.A. The current state of artificial intelligence in ophthalmology // Surv. Ophthalmol. 2019. Vol. 64, No 2. P. 233240. DOI: 10.1016/j.survophthal.2018.09.002.
  • Contreras I., Vehi J. Artificial Intelligence for Diabetes Management and Decision Support: Literature Review // J. Med. Internet. Res. 2018. Vol. 20, No 5. P. e10775. DOI: 10.2196/10775.
  • Разработка аппаратно-программных средств контроля параметров качества диффузионно-взвешенных изображений для повышения эффективности диагностики опухолевых образований / К.А. Сергунова, И.Н. Карпов, А.И. Громов, А.К. Морозов, Д.С. Семенов // Биотехносфера. 2016. № 5 (47). C. 9-13.
  • Development of Machine Learning Algorithms for Prediction of 30-Day Mortality After Surgery for Spinal Metastasis / A.V. Karhade, Q.C.B.S. Thio, P.T. Ogink, A.A. Shah, C.M. Bono, K.S. Oh, P.J. Saylor, A.J. Schoenfeld, J.H. Shin, M.B. Harris, J.H. Schwab // Neurosurgery. 2019.^ol. 85, No 1. P. E83-E91. DOI: 10.1093/neuros/nyy469.
  • Predicting 90-Day and 1-Year Mortality in Spinal Metastatic Disease: Development and Internal Validation / A.V. Karhade, Q.C.B.S. Thio, P.T. Ogink, C.M. Bono, M.L. Ferrone, K.S. Oh, P.J. Saylor, A.J. Schoenfeld, J.H. Shin, M.B. Harris, J.H. Schwab // Neurosurgery. 2019. Vol. 85, No 4. P. E671-E681. DOI: 10.1093/neuros/nyz070.
Еще
Статья обзорная
SciUp 2024 © 2024 ©