Перспективы использования генеративного искусственного интеллекта в хирургии, травматологии и ортопедии

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В обзоре рассматривается использование технологий генеративного искусственного интеллекта в хирургии, травматологии и ортопедии. Даны определения ключевых технологий генеративного искусственного интеллекта, а также отличия дискриминативных моделей искусственного интеллекта от генеративных. Проведён анализ публикационной активности по применению генеративного искусственного интеллекта в хирургии, травматологии и ортопедии по макрорегионам мира. Проанализирована потенциальная роль различных моделей генеративного искусственного интеллекта на предоперационном, интраоперационном и послеоперационном этапах лечения пациентов. Приводятся данные о результатах клинического применения генеративного искусственного интеллекта в указанных областях и наиболее распространённые проблемы, связанные с практическим использованием различных приложений генеративного искусственного интеллекта, включая вопросы обеспечения качества и безопасности хирургической помощи. В обзоре предлагаются потенциальные решения и направления исследований для решения этих проблем.

Об авторах

Антон Герасимович Назаренко

Национальный медицинский исследовательский центр травматологии и ортопедии им. Н.Н. Приорова

Email: NazarenkoAG@cito.priorov.ru
ORCID iD: 0000-0003-1314-2887
SPIN-код: 1402-5186

д-р мед. наук, профессор РАН

Россия, 115172, Москва, Новоспасский пер., д. 9

Елена Борисовна Клеймёнова

Национальный медицинский исследовательский центр травматологии и ортопедии им. Н.Н. Приорова

Email: KleymenovaEB@cito-priorov.ru
ORCID iD: 0000-0002-8745-6195
SPIN-код: 2037-7164

д-р мед. наук, профессор

Россия, 115172, Москва, Новоспасский пер., д. 9

Нодари Малхазович Какабадзе

Национальный медицинский исследовательский центр травматологии и ортопедии им. Н.Н. Приорова

Email: KakabadzeNM@cito-priorov.ru
ORCID iD: 0000-0002-2380-2394
SPIN-код: 6321-6733
Россия, 115172, Москва, Новоспасский пер., д. 9

Алексей Игоревич Молодченков

Федеральный исследовательский центр «Информатика и управление» РАН; Российский университет дружбы народов

Email: aim@isa.ru
ORCID iD: 0000-0003-0039-943X
SPIN-код: 3378-7234

канд. тех. наук

Россия, Москва; Москва

Любовь Петровна Яшина

Национальный медицинский исследовательский центр травматологии и ортопедии им. Н.Н. Приорова

Автор, ответственный за переписку.
Email: YashinaLP@cito-priorov.ru
ORCID iD: 0000-0003-1357-0056
SPIN-код: 1910-0484

канд. биол. наук

Россия, 115172, Москва, Новоспасский пер., д. 9

Список литературы

  1. Goldman S. AI investment forecast to approach $200 billion globally by 2025. [2023 Aug 1]. Available from: https://www.goldmansachs.com/insights/articles/ai-investment-forecast-to-approach-200-billion-globally-by-2025 Accessed: 14.10.2024.
  2. Gartner says more than 80% of enterprises will have used generative AI APIs or deployed generative AI-enabled applications by 2026. [2023 Oct 11]. Available from: https://www.gartner.com/en/newsroom/press-releases/2023-10-11-gartner-says-more-than-80-percent-of-enterprises-will-have-used-generative-ai-apis-or-deployed-generative-ai-enabled-applications-by-2026 Accessed: 15.10.2024.
  3. Masyuk D, Sergienko Ya. Artificial Intelligence in Russia — 2023: Trends and Prospects. Moscow: Yakov and Partners; 2023. 80 p. Available from: https://yakovpartners.ru/upload/iblock/c5e/c8t1wrkdne5y9a4nqlicderalwny7xh4/20231218_AI_future.pdf (in Russ.)
  4. Bastian M. GPT-4 has more than a trillion parameters. [2023 Mar 25]. Available from: https://the-decoder.com/gpt-4-has-a-trillion-parameters/#summary
  5. WHO Guideline: Recommendations on digital interventions for health system strengthening. Geneva: WHO; 2019. 124 p. Available from: https://www.who.int/reproductivehealth/publications/digital-interventions-health-system-strengthening/en.
  6. WHO guidance. Ethics and governance of artificial intelligence for health. Geneva: World Health Organization; 2021. 165 р. Available from: https://www.who.int/publications/i/item/9789240029200
  7. WHO guidance. Ethics and governance of artificial intelligence for health. Guidance on large multi-modal models. Geneva: World Health Organization; 2024. 98 р. Available from: https: //www.who.int/publications/i/item /9789240084759
  8. GOST R 59277-2020. Artificial intelligence systems. Classification of artificial intelligence systems (appr. 23.12.2020). Moscow: Standartinform; 2021 (in Russ.)
  9. Muhammad A, Vissa S. Using the capabilities of hybrid generative-discriminative models. [2024 Apr 17]. Available from: https://skine.ru/articles/737238.
  10. Generative AI vs. discriminative AI: understanding the key differences. [2024 Jul 24]. Available from: https://www.geeksforgeeks.org/difference-between-generative-ai-and-discriminative-ai
  11. Osipov YuS, editor. Neural network. The Great Russian Encyclopedia: [in 35 volumes]. Moscow: The Great Russian Encyclopedia; 2004–2017. (in Russ.)
  12. Zsidai B, Kaarre J, Narup E, et al.; ESSKA Artificial Intelligence Working Group. A practical guide to the implementation of artificial intelligence in orthopaedic research-Part 2: A technical introduction. J Exp Orthop. 2024;11(3):e12025. doi: 10.1186/s40634-023-00662-4
  13. Moulaei K, Yadegari A, Baharestani M, et al. Generative artificial intelligence in healthcare: A scoping review on benefits, challenges and applications. Int J Med Inform. 2024;188:105474. doi: 10.1016/j.ijmedinf.2024.105474
  14. Manning CD. Human language understanding and reasoning. Daedalus. 2022;151(2):127–138. doi: 10.1162/DAED_a_01905
  15. Rodler S, Ganjavi C, Backerd PD. Generative artificial intelligence in surgery. Surgery. 2024;175(6):1496–1502. doi: 10.1016/j.surg.2024.02.019
  16. Bugaj M, Kliestik T, Lăzăroiu G. Generative artificial intelligence-based diagnostic algorithms in disease risk detection, in personalized and targeted healthcare procedures, and in patient care safety and quality. Contemp Read Law Soc. Justice. 2023;15:9–26.
  17. Tanveer SA, Fatima B, Ghafoor R. Diagnostic accuracy of artificial intelligence versus manual detection in marginal bone loss around fixed prosthesis. a systematic review. J Pak Med Assoc. 2024;74(4 Suppl):S37–S42. doi: 10.47391/JPMA.AKU-9S-06
  18. Michelutti L, Tel A, Zeppieri M, et al. Generative adversarial networks (GANs) in the field of head and neck surgery: current evidence and prospects for the future-a systematic review. J Clin Med. 2024;13(12):3556. doi: 10.3390/jcm13123556
  19. Schukow C, Smith SC, Landgrebe E, et al. Application of ChatGPT in routine diagnostic pathology: promises, pitfalls, and potential future directions. Adv Anat Pathol. 2023;31(1):15–21. doi: 10.1097/PAP.0000000000000406
  20. Haemmerli J, Sveikata L, Nouri A, et al. ChatGPT in glioma adjuvant therapy decision making: Ready to assume the role of a doctor in the tumor board? BMJ Health Care Inform. 2023;30(1):e100775. doi: 10.1136/bmjhci-2023-100775
  21. Chen TC, Kaminski E, Koduri L, et al. Chat GPT as a Neuro-score Calculator: Analysis of a large language model’s performance on various neurological exam grading scales. World Neurosurg. 2023;179:e342–e347. doi: 10.1016/j.wneu.2023.08.088
  22. Rizwan A, Sadiq T. The use of AI in diagnosing diseases and providing management plans: a consultation on cardiovascular disorders with ChatGPT. Cureus. 2023;15(8):e43106. doi: 10.7759/cureus.43106
  23. Gala D, Makaryus AN. The utility of language models in cardiology: a narrative review of the benefits and concerns ofChatGPT-4. Int J Environ Res Public Health. 2023;20(15):6438. doi: 10.3390/ijerph20156438
  24. Buga M, Kliestik T, Lăzăroiu G. Generative artificial intelligence-based diagnostic algorithms in disease risk detection, in personalized and targeted healthcare procedures, and in patient care safety and quality. Contemp Read Law Soc Justice. 2023;15:9–26.
  25. Eppler MB, Ganjavi C, Knudsen JE, et al. Bridging the gap between urological research and patient understanding: the role of large language models in automated generation of layperson’s summaries. Urol Pract. 2023;10(5):436e443. doi: 10.1097/UPJ.0000000000000428
  26. Javaid M, Haleem A, Singh RP. ChatGPT for healthcare services: An emerging stage for an innovative perspective. BenchCouncil Trans. Benchmarks Stand Eval. 2023;3:100105. doi: 10.1016/j.tbench.2023.100105
  27. Sharma SC, Ramchandani JP, Thakker A, Lahiri A. ChatGPT in plastic and reconstructive surgery. Indian J Plast Surg. 2023;56(4):320–325. doi: 10.1055/s-0043-1771514
  28. Aljindan FK, Shawosh MH, Altamimi L, et al. Utilization of ChatGPT-4 in plastic and reconstructive surgery: a narrative review. Plast Reconstr Surg Glob Open. 2023;11(10):e5305. doi: 10.1097/GOX.0000000000005305
  29. Zhou XY, Guo Y, Shen M, Yang GZ. Application of artificial intelligence in surgery. Front Med. 2020;14(4):417–430. doi: 10.1007/s11684-020-0770-0
  30. Zhou XY, Yang GZ, Lee SL. A real-time and registration-free framework for dynamic shape instantiation. Med Image Anal. 2018;44:86–97. doi: 10.1016/j.media.2017.11.009
  31. van der Stap N, van der Heijden F, Broeders IA. Towards automated visual flexible endoscope navigation. Surg Endosc. 2013;27(10):3539–3547. doi: 10.1007/s00464-013-3003-7
  32. Shen M, Gu Y, Liu N, Yang GZ. Context-aware depth and pose estimation for bronchoscopic navigation. IEEE Robot Autom Lett. 2019;4(2):732–739. doi: 10.1109/LRA.2019.2893419
  33. Ozyoruk KB, Gokceler GI, Bobrow TL, et al. EndoSLAM dataset and an unsupervised monocular visual odometry and depth estimation approach for endoscopic videos. Med Image Anal. 2021;71:102058. doi: 10.1016/j.media.2021.102058
  34. Yang Z, Lin S, Simon R, Linte CA. Endoscope Localization and Dense Surgical Scene Reconstruction for Stereo Endoscopy by Unsupervised Optical Flow and Kanade-Lucas-Tomasi Tracking. Annu Int Conf IEEE Eng Med Biol Soc. 2022;2022:4839–4842. doi: 10.1109/EMBC48229.2022.9871588
  35. Song J, Wang J, Zhao L, et al. MIS-SLAM: real-time large-scale dense deformable SLAM system in minimal invasive surgery based on heterogeneous computing. IEEE Robot Autom Lett. 2018;3(4):4068–4075. doi: 10.1109/lra.2018.2856519
  36. Turan M, Almalioglu Y, Araujo H, et al. Deep endovo: a recurrent convolutional neural network (RCNN) based visual odometry approach for endoscopic capsule robots. Neurocomputing. 2018;275:1861–1870.
  37. Kalfas IH. Machine vision navigation in spine surgery. Front Surg. 2021;8:1–7. doi: 10.3389/fsurg.2021.640554
  38. Massalimova A, Timmermans M, Esfandiari H, et al. Intraoperative tissue classification methods in orthopedic and neurological surgeries: A systematic review. Front Surg. 2022;9:952539. doi: 10.3389/fsurg.2022.952539
  39. Timmermans M, Massalimova A, Li R, et al. State-of-the-art of non-radiative, non-visual spine sensing with a focus on sensing forces, vibrations and bioelectrical properties: a systematic review. Sensors (Basel). 2023;23(19):8094. doi: 10.3390/s23198094
  40. Wang J, Suenaga H, Hoshi K, et al. Augmented reality navigation with automatic marker-free image registration using 3-D image overlay for dental surgery. IEEE Trans Biomed Eng. 2014;61(4):1295–1304. doi: 10.1109/TBME.2014.2301191
  41. Gouveia PF, Costa J, Morgado P, et al. Breast cancer surgery with augmented reality. Breast. 2021;56:14–17. doi: 10.1016/j.breast.2021.01.004
  42. Carl B, Bopp M, Benescu A, Saß B, Nimsky C. Indocyanine green angiography visualized by augmented reality in aneurysm surgery. World Neurosurg. 2020;142:e307–e315. doi: 10.1016/j.wneu.2020.06.219
  43. Carl B, Bopp M, Saß B, Nimsky C. Microscope-based augmented reality in degenerative spine surgery: initial experience. World Neurosurg. 2019;128:e541–e551. doi: 10.1016/j.wneu.2019.04.192
  44. Edström E, Burström G, Omar A, et al. Augmented reality surgical navigation in spine surgery to minimize staff radiation exposure. Spine. 2020;45(1):E45–E53. doi: 10.1097/BRS.0000000000003197
  45. Zhang X, Wang J, Wang T, et al. A markerless automatic deformable registration framework for augmented reality navigation of laparoscopy partial nephrectomy. Int J CARS. 2019;14(8):1285–1294. doi: 10.1007/s11548-019-01974-6
  46. Luo H, Yin D, Zhang S., et al. Augmented reality navigation for liver resection with a stereoscopic laparoscope. Comput Methods Programs Biomed. 2020;187:105099. doi: 10.1016/j.cmpb.2019.105099
  47. Lefter LP, Walker SR, Dewhurst F, Turner RW. An audit of operative notes: facts and ways to improve. ANZ J Surg. 2008;78:800–2. doi: 10.1111/j.1445-2197.2008.04654.x
  48. Abdelhady AM, Davis CR. Plastic surgery and artificial intelligence: how ChatGPT improved operation note accuracy, time, and education. Mayo Clinic Proceedings: Digital Health. 2023;1:299e308. doi: 10.1016/j.mcpdig.2023.06.002
  49. Singh S, Djalilian A, Al MJ. ChatGPT and ophthalmology: exploring its potential with discharge summaries and operative notes. Semin Ophthalmol. 2023;38(5):503–507. doi: 10.1080/08820538.2023.2209166
  50. Waisberg E, Ong J, Masalkhi M, et al. GPT-4 and ophthalmology operative notes. Ann Biomed Eng. 2023;51(11):2353–2355. doi: 10.1007/s10439-023-03263-5.
  51. Ali A, Kumar RP, Polavarapu H, et al. Bridging the gap: can large language models match human expertise in writing neurosurgical operative notes? World Neurosurg. 2024:192:e34–e41. doi: 10.1016/j.wneu.2024.08.062
  52. Dubinski D, Won SY, Trnovec S, et al. Leveraging artificial intelligence in neurosurgery-unveiling ChatGPT for neurosurgical discharge summaries and operative reports. Acta Neurochir (Wien). 2024;166(1):38. doi: 10.1007/s00701-024-05908-3
  53. Robinson A, Aggarwal SJr. When precision meets penmanship: ChatGPT and surgery documentation. Cureus. 2023;15(6):e40546. doi: 10.7759/cureus.40546
  54. Arif F. ChatGPT for the standardized operative notes in plastic surgery. J Liaquat Nat. Hosp. 2023;1(2):111–113.
  55. Jung JJ, Elfassy J, Jüni P, Grantcharov T. Adverse events in the operating room: Definitions, prevalence, and characteristics. A systematic review. World J Surg. 2019;43(10):2379–2392. doi: 10.1007/s00268-019-05048-1
  56. Eppler MB, Sayegh AS, Maas M, et al. Automated capture of intraoperative adverse events using artificial intelligence: a systematic review and meta-analysis. J Clin Med. 2023;12(4):1687. doi: 10.3390/jcm12041687
  57. Yamazaki Y, Kanaji S, Matsuda T, et al. Automated surgical instrument detection from laparoscopic gastrectomy video images using an open source convolutional neural network platform. J Am Col. Surg. 2020;230(5):725–732.e1. doi: 10.1016/j.jamcollsurg.2020.01.037
  58. Hegde SR, Namazi B, Iyengar N, et al. Automated segmentation of phases, steps, and tasks in laparoscopic cholecystectomy using deep learning. Surg Endosc. 2024;38(1):158–170. doi: 10.1007/s00464-023-10482-3
  59. Lee D, Yu HW, Kwon H, et al. Evaluation of surgical skills during robotic surgery by deep learning-based multiple surgical instrument tracking in training and actual operations. J Clin Med. 2020;9:1964. doi: 10.3390/jcm9061964
  60. Cacciamani GE, Anvar A, Chen A, et al. How the use of the artificial intelligence could improve surgical skills in urology: State of the art and future perspectives. Curr Opin Urol. 2021;31(4):378–384. doi: 10.1097/MOU.0000000000000890
  61. Peregrin T. Black box technology shines light on improving OR safety, efficiency. ACS Bulletin. 2023;108(7):17–23.
  62. Jung JJ, Jüni P, Lebovic G, Grantcharov T. First-year analysis of the operating room black box study. Ann Surg. 2020;271(1):122–127. doi: 10.1097/SLA.0000000000002863
  63. Al Abbas AI, Meier J, Daniel W, et al. Impact of team performance on the surgical safety checklist on patient outcomes: an operating room black box analysis. Surg Endosc. 2024;38:5613–5622 doi: 10.1007/s00464-024-11064-7
  64. Gordon L, Grantcharov T, Rudzicz F. Explainable artificial intelligence for safe intraoperative decision support. JAMA Surg. 2019;154(11):1064–1065. doi: 10.1001/jamasurg.2019.2821
  65. Lundberg SM, Nair B, Vavilala MS, et al. Explainable machine-learning predictions for the prevention of hypoxaemia during surgery. Nat Biomed Eng. 2018;2(10):749–760. doi: 10.1038/s41551-018-0304-0
  66. Zeng X, Hu Y, Shu L. et al. Explainable machine-learning predictions for complications after pediatric congenital heart surgery. Sci Rep. 2021;11:17244. doi: 10.1038/s41598-021-96721-w
  67. Park J-B, Lee H-J, Yang H-L, et al. Machine learning-based prediction of intraoperative hypoxemia for pediatric patients. PLoS ONE. 2023;18(3):e0282303. doi: 10.1371/journal.pone.0282303
  68. Bektaş M, Pereira JK, Daams F, et al. ChatGPT in surgery: a revolutionary innovation? Surg. Today. 2024;54:964–971. doi: 10.1007/s00595-024-02800-6
  69. Liu S, Wright AP, Patterson BL, et al. Using AI-generated suggestions from ChatGPT to optimize clinical decision support. J Am Med Inform Assoc. 2023;30(7):1237–1245. doi: 10.1093/jamia/ocad072
  70. Liu S, McCoy AB, Peterson JF, et al. Leveraging explainable artificial intelligence to optimize clinical decision support. J Am Med Inform Assoc. 2024;31(4):968–974. doi: 10.1093/jamia/ocae019
  71. Averkin AN. Explainable artificial intelligence as part of the third generation artificial intelligence. Speech technologies. 2023;(1):4–10. (In Russ.) EDN: ONAIEY
  72. Van De Sande D, Van Genderen ME, Braaf H, et al. Moving towards clinical use of artificial intelligence in intensive care medicine: business as usual? Intensive Care Med. 2022;48(12):1815–7. doi: 10.1007/s00134-022-06910-y
  73. Deasy J, Liò P, Ercole A. Dynamic survival prediction in intensive care units from heterogeneous time series without the need for variable selection or curation. Sci Rep. 2020;10(1):22129. doi: 10.1038/s41598-020-79142-z
  74. Abgrall G, Holder AL, Chelly Dagdia Z, et al. Should AI models be explainable to clinicians? Crit Care. 2024;28:301. doi: 10.1186/s13054-024-05005-y
  75. Savage N. Breaking into the black box of artificial intelligence. Nature. 2022. doi: 10.1038/d41586-022-00858-1
  76. Patel SB, Lam K. ChatGPT: the future of discharge summaries? Lancet Digit Health. 2023;5(3):e107–e108. doi: 10.1016/S2589-7500(23)00021-3
  77. Earnshaw CH, Pedersen A, Evans J. Improving the quality of discharge summaries through a direct feedback system. Future Healthc J. 2020;7(2):149–154. doi: 10.7861/fhj.2019-0046
  78. Unnewehr M, Schaaf B, Marev R, et al. Optimizing the quality of hospital discharge summaries — a systematic review and practical tools. Postgraduate Med. 2015;127(6):630–639. doi: 10.1080/00325481.2015.1054256
  79. Salim Al-Damluji M, Dzara K, Hodshon B, et al. Association of discharge summary quality with readmission risk for patients hospitalized with heart failure exacerbation. Circ Cardiovasc Qual Outcomes. 2015;8:109–111. doi: 10.1161/CIRCOUTCOMES.114.001476
  80. Wood H, Lewis H, Ward R, et al. Improving community prescribing of post-fracture denosumab after discharge. Br J Hosp Med. 2017;78(1):20–22. doi: 10.12968/hmed.2017.78.1.20
  81. Carter A, Warner E, Roberton A, et al. Tonsillectomy discharge information-An improvement in both patient safety and satisfaction. BMJ Open Quality. 2014;2(2):u203433-u2w1546. doi: 10.1136/bmjquality.u203433.w1546
  82. Lee P, Bubeck S, Petro J. Benefits, limits, and risks of GPT-4 as an AI chatbot for medicine. N Engl J Med. 2023;388(13):1233–1239. doi: 10.1056/NEJMsr2214184
  83. Dubinski D, Won SY, Trnovec S, et al. Leveraging artificial intelligence in neurosurgery — unveiling ChatGPT for neurosurgical discharge summaries and operative reports. Acta Neurochir. 2024;166:38. doi: 10.1007/s00701-024-05908-3
  84. Clough RAJ, Sparkes WA, Clough OT, et al. Transforming healthcare documentation: harnessing the potential of AI to generate discharge summaries. BJGP Open. 2024;8(1):BJGPO.2023.0116. doi: 10.3399/BJGPO.2023.0116
  85. Ando K, Okumura T, Komachi M, et al. Is artificial intelligence capable of generating hospital discharge summaries from inpatient records? PLOS Digit Health. 2022;1(12):e0000158. doi: 10.1371/journal.pdig.0000158
  86. Konstantinova LV, Vorozhikhin VV, Petrov AM, Titova ES. Generative Artificial Intelligence: Challenges for Traditional Education: Results of Monitoring Information on Trends in the Development of Higher Education in the World and in Russia. Moscow: Plekhanov Russian University of Economics; 2023. 85 р. (In Russ.)
  87. Oh N, Choi GS, Lee WY. ChatGPT goes to the operating room: evaluating GPT-4 performance and its potential in surgical education and training in the era of large language models. Ann Surg Treat Res. 2023;104(5):269–273. doi: 10.4174/astr.2023.104.5.269
  88. Blumstein G, Zukotynski B, Cevallos N, et al. Randomized trial of a virtual reality tool to teach surgical technique for tibial shaft fracture intramedullary nailing. J Surg Educ. 2020;77:969–977. doi: 10.1016/j.jsurg.2020.01.002
  89. Mirchi N, Bissonnette V, Ledwos N, et al. Artificial neural networks to assess virtual reality anterior cervical discectomy performance. Oper Neurosurg (Hagerstown). 2019;19:65–75. doi: 10.1093/ons/opz359
  90. Guerrero DT, Asaad M, Rajesh A, et al. Advancing surgical education: the use of artificial intelligence in surgical training. Am Surg. 2023;89(1):49–54. doi: 10.1177/00031348221101503
  91. Winkler-Schwartz A, Yilmaz R, Mirchi N, et al. Machine learning identification of surgical and operative factors associated with surgical expertise in virtual reality simulation. JAMA Netw Open. 2019;2:e198363. doi: 10.1001/jamanetworkopen.2019.8363
  92. Bilgic E, Gorgy A, Yang A, et al. Exploring the roles of artificial intelligence in surgical education: A scoping review. Am J Surg. 2022;224(1 Pt A):205–216. doi: 10.1016/j.amjsurg.2021.11.023
  93. Caserta M, Romero AG. A novel approach to forecast surgery durations using machine learning techniques. Health Care Manag Sci. 2024;27:313–327. doi: 10.1007/s10729-024-09681-8
  94. ShahabiKargar Z, Khanna S., Good N, et al. Predicting procedure duration to improve scheduling of elective surgery. Lecture Notes in Computer Science. 2014; 8862:998–1009. doi: 10.1007/978-3-319-13560-1_86
  95. Hassanzadeh H, Boyle J, Khanna S, Biki B, Syed F. Daily surgery caseload prediction: towards improving operating theatre efficiency. BMC Med Inform Decis Mak. 2022;22(1):151. doi: 10.1186/s12911-022-01893-8
  96. Riahi V, Hassanzadeh H, Khanna S, et al. Improving preoperative prediction of surgery duration. BMC Health Serv Res. 2023;23:1343. doi: 10.1186/s12913-023-10264-6
  97. Bellini V, Russo M, Domenichetti T, et al. Artificial intelligence in operating room management. J Med Syst. 2024;48:19. doi: 10.1007/s10916-024-02038-2
  98. Javaid M, Haleem A, Singh RP. ChatGPT for healthcare services: An emerging stage for an innovative perspective. BenchCouncil Trans. Benchmarks Stand Eval. 2023;3(1):100105. doi: 10.1016/j.tbench.2023.100105
  99. Letourneau-Guillon L, Camirand D, Guilbert F, Forghani R. Artificial intelligence applications for workflow, process optimization and predictive analytics. Neuroimaging Clin N Am. 2020;30(4):e1–e15. doi: 10.1016/j.nic.2020.08.008
  100. Dos Santos FC, Johnson LG, Madandola OO, et al. An example of leveraging AI for documentation: ChatGPT-generated nursing care plan for an older adult with lung cancer. J Am Med Inform Assoc. 2024;31(9):2089–2096. doi: 10.1093/jamia/ocae116
  101. Pressman SM, Borna S, Gomez-Cabello CA, et al. Clinical and surgical applications of large language models: a systematic review. J Clin Med. 2024;13(11):3041. doi: 10.3390/jcm13113041
  102. Mehdian R, Howard M. Artificial intelligence in trauma and orthopedics. In: Artificial intelligence in medicine. Lidströmer N, Ashrafian H, editors. Springer Nature Switzerland; 2022. Р. 873–886. doi: 10.1007/978-3-030-64573-1_256
  103. Pankhania M. Artificial intelligence in musculoskeletal radiology: past, present, and future. Indian J Musculoskelet Radiol. 2020;2(2):89–96. doi: 10.25259/IJMSR_62_2020
  104. Ajmera P, Kharat A, Botchu R, et al. Real-world analysis of artificial intelligence in musculoskeletal trauma. J Clin Orthop Trauma. 2021;22:101573. doi: 10.1016/j.jcot.2021.101573
  105. Kurmis AP, Ianunzio JR. Artificial intelligence in orthopedic surgery: evolution, current state and future directions. Arthroplasty. 2022;4(1):9. doi: 10.1186/s42836-022-00112-z
  106. Merali ZA, Colak E, Wilson JR. Applications of machine learning to imaging of spinal disorders: current status and future directions. Global Spine J. 2021;11(1_suppl):23S–29S. doi: 10.1177/2192568220961353
  107. Dai G, Su J, Zhang M, et al. A novel structure preserving generative adversarial network for CT to MR modality translation of spine. Neural Comput Applic. 2024;36:4101–4114. doi: 10.1007/s00521-023-09254-w
  108. Komeili A, Westover L, Parent EC, et al. Monitoring for idiopathic scoliosis curve progression using surface topography asymmetry analysis of the torso in adolescents. Spine J. 2015;15(4):743–751. doi: 10.1016/j.spinee.2015.01.018
  109. Anwar A, Zhang Y, Zhang Z, Li J. Artificial intelligence technology improves the accuracy of preoperative planning in primary total hip arthroplasty. Asian J Surg. 2024;47(7):2999–3006. doi: 10.1016/j.asjsur.2024.01.133
  110. Abel F, Lebl DR, Gorgy G, et al. Deep-learning reconstructed lumbar spine 3D MRI for surgical planning: pedicle screw placement and geometric measurements compared to CT. Eur Spine J. 2024;33(11):4144–4154. doi: 10.1007/s00586-023-08123-3
  111. Racadio JM, Nachabe R, Homan R, et al. Augmented reality on a C-arm system: a preclinical assessment for percutaneous needle localization. Radiology. 2016;281(1):249–255. doi: 10.1148/radiol.2016151040
  112. Nam CH, Lee SC, Kim JH, et al. Robot-assisted total knee arthroplasty improves mechanical alignment and accuracy of component positioning compared to the conventional technique. J Exp Orthop. 2022;9(1):108. doi: 10.1186/s40634-022-00546-z
  113. Dennler C, Jaberg L, Spirig J, et al. Augmented reality-based navigation increases precision of pedicle screw insertion. J Orthop Surg Res. 2020;15(1):174. doi: 10.1186/s13018-020-01690-x
  114. Holden MA, Haywood KL, Potia TA, et al. Recommendations for exercise adherence measures in musculoskeletal settings: a systematic review and consensus meeting. Syst Rev. 2014;3(1):10. doi: 10.1186/2046-4053-3-10
  115. McDermott ER, DeFoor MT, Dekker TJ, DePhillipo NN. Artificial intelligence in rehabilitation. In: Artificial intelligence in orthopaedic surgery made easy. Familiari F, Galasso O, Gasparini G, editors. Springer; 2024. Р. 197–204. doi: 10.1007/978-3-031-70310-2_15
  116. Khosravi B, Rouzrokh P, Erickson BJ, et al. Analyzing racial differences in imaging joint replacement registries using generative artificial intelligence: advancing orthopaedic data equity. Arthroplast Today. 2024;29:101503. doi: 10.1016/j.artd.2024.101503
  117. Ahn G, Choi BS, Ko S, et al. High-resolution knee plain radiography image synthesis using style generative adversarial network adaptive discriminator augmentation. J Orthop Res. 2023;41(1):84–93. doi: 10.1002/jor.25325
  118. Na L, Yang C, Lo CC, et al. Feasibility of reidentifying individuals in large National Physical Activity data sets from which protected health information has been removed with use of machine learning. JAMA Netw Open. 2018;1(8):e186040. doi: 10.1001/jamanetworkopen.2018.6040
  119. Sahni N, Stein G, Zemmel R, Cutler DM. The potential impact of artificial intelligence on healthcare spending. NBER Working Paper No. 30857, 2023. Available from: https://www.nber.org/system/files/working_papers/w30857/w30857.pdf Accessed: 22.11.2024

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Наиболее распространённые в медицине модели и алгоритмы генеративного искусственного интеллекта (адаптировано по [17]). Примечание. ИИ — искусственный интеллект, МО — машинное обучение, Д-ИИ — дискриминативный искусственный интеллект, Г-ИИ — генеративный искусственный интеллект, БЯМ — большие языковые модели, СНС — свёрточная нейронная сеть, РНС — рекуррентная нейронная сеть, СДКП — сеть долговременной краткосрочной памяти, ГСС — генеративно-состязательные сети, САК — состязательный автокодировщик, РАК — разреженный автокодировщик, ВАК — вариационный автокодировщик.

Скачать (304KB)
Метаданные
3. Рис. 2. Публикационная активность авторов из макрорегионов мира по теме генеративного искусственного интеллекта в хирургии, травматологии и ортопедии.

Скачать (106KB)
Метаданные
4. Рис. 3. Применение технологий генеративного искусственного интеллекта в хирургии (адаптировано по [17]). Примечание. ЭМК — электронная медицинская карта.

Скачать (395KB)
Метаданные

© Эко-Вектор, 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».