Acceso gestor editorial


Revista Angiología 00177 / http://dx.doi.org/10.20960/angiologia.00177
Resumen| PDF

Revisiones

Inteligencia artificial y modelado computacional avanzado en cirugía vascular. Implicaciones para la práctica clínica


Francisco Álvarez Marcos, Noelia Alonso Gómez, Joaquín de Haro Miralles

Logo Descargas   Número de descargas: 69059      Logo Visitas   Número de visitas: 1658      Citas   Citas: 0

Compártelo:


La decisión clínica basada en la evidencia se asienta, fundamentalmente, en estudios aleatorizados a gran escala. Sin embargo, la realidad del paciente puede ser mucho más compleja y capturarla en su totalidad para adaptarla a cada caso individual justifica la llamada medicina de precisión, que toma en cuenta sus características genéticas, fenotípicas o psicosociales. Este abordaje es posible gracias a la inteligencia artificial y al machine learning. Esta actualización divulgativa, basada en más de 50 artículos, pretende aproximarse a la aplicación de IA y ML en todos los aspectos de la angiología, cirugía vascular y endovascular contemporánea. El campo con mayor desarrollo potencial es el procesamiento y la automatización de la imagen vascular, que permite también la segmentación automática de vasos, la estimación de movimiento y deformaciones y su posterior integración en el guiado del tratamiento. La IA y el ML también ofrecen grandes posibilidades en simulación de procedimientos, cada vez más importante en cirugía abierta, y en la mejora de la interacción del operador con las estaciones de trabajo y sistemas de ayuda, tanto de imagen como robóticos. Por último, la integración masiva de datos abre nuevos horizontes en la predicción de resultados, acercando la calidad y el potencial impacto de los registros a los de los estudios aleatorizados y mejorando los resultados de la estadística convencional.

Palabras Clave: Inteligencia artificial. Machine learning. Procesado automático de imagen. Simulación. Big data.



Kirchhof P, Sipido KR, Cowie MR, et al. The continuum of personalized cardiovascular medicine: a position paper of the European Society of Cardiology. Eur Heart J 2014;35(46):3250-7.
DOI: 10.1093/eurheartj/ehu312
Sharma A, Harrington RA, McClellan MB, et al. Using Digital Health Technology to Better Generate Evidence and Deliver Evidence-Based Care. J Am Coll Cardiol 2018;71(23):2680-90.
DOI: 10.1016/j.jacc.2018.03.523
WHO guideline Recommendations on Digital Interventions for Health System Strengthening. 2019; License: CC BY-NC-SA 3.0 IGO.
Frederix I, Caiani EG, Dendale P, et al. ESC e-Cardiology Working Group Position Paper: Overcoming challenges in digital health implementation in cardiovascular medicine. Eur J Prev Cardiol 2019;26(11):1166-77.
DOI: 10.1177/2047487319832394
Dey D, Slomka PJ, Leeson P, et al. Artificial Intelligence in Cardiovascular Imaging: JACC State-of-the-Art Review. J Am Coll Cardiol 2019;73(11):1317-35.
DOI: 10.1016/j.jacc.2018.12.054
Sardar P, Abbott JD, Kundu A, et al. Impact of Artificial Intelligence on Interventional Cardiology: From Decision-Making Aid to Advanced Interventional Procedure Assistance. JACC Cardiovasc Interv 2019;12(14):1293-303.
DOI: 10.1016/j.jcin.2019.04.048
Krittanawong C, Zhang H, Wang Z, et al. Artificial Intelligence in Precision Cardiovascular Medicine. J Am Coll Cardiol 2017;69(21):2657-64.
DOI: 10.1016/j.jacc.2017.03.571
Hahn S, Perry M, Morris CS, et al. Machine deep learning accurately detects endoleak after endovascular abdominal aortic aneurysm repair. JVS: Vascular Science 2020;1:5-12.
DOI: 10.1016/j.jvssci.2019.12.003
Poplin R, Varadarajan AV, Blumer K, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat Biomed Eng 2018;2(3):158-64.
DOI: 10.1038/s41551-018-0195-0
Hawkins DM. The problem of overfitting. J Chem Inf Comput Sci 2004;44(1):1-12.
DOI: 10.1021/ci0342472
Litjens G, Ciompi F, Wolterink JM, et al. State-of-the-Art Deep Learning in Cardiovascular Image Analysis. JACC Cardiovasc Imaging 2019;12(8 Pt 1):1549-65.
DOI: 10.1016/j.jcmg.2019.06.009
Ni JC, Shpanskaya K, Han M, et al. Deep Learning for Automated Classification of Inferior Vena Cava Filter Types on Radiographs. J Vasc Interv Radiol 2020;31(1):66-73.
DOI: 10.1016/j.jvir.2019.05.026
Toth D, Miao S, Kurzendorfer T, et al. 3D/2D model-to-image registration by imitation learning for cardiac procedures. Int J Comput Assist Radiol Surg 2018;13(8):1141-9.
DOI: 10.1007/s11548-018-1774-y
Zhang J, Gajjala S, Agrawal P, et al. Fully Automated Echocardiogram Interpretation in Clinical Practice. Circulation 2018;138(16):1623-35.
DOI: 10.1161/CIRCULATIONAHA.118.034338
Chamaria S, Johnson KW, Vengrenyuk Y, et al. Intracoronary Imaging, Cholesterol Efflux, and Transcriptomics after Intensive Statin Treatment in Diabetes. Sci Rep 2017;7(1):7001-13.
DOI: 10.1038/s41598-017-07029-7
Hsu C-Y, Ghaffari M, Alaraj A, et al. Gap-free segmentation of vascular networks with automatic image processing pipeline. Comput Biol Med 2017;82:29-39.
DOI: 10.1016/j.compbiomed.2017.01.012
Hirata K, Nakaura T, Nakagawa M, et al. Machine Learning to Predict the Rapid Growth of Small Abdominal Aortic Aneurysm. J Comput Assist Tomogr 2020;44(1):37-42.
DOI: 10.1097/RCT.0000000000000958
Choi E, Schuetz A, Stewart WF, et al. Using recurrent neural network models for early detection of heart failure onset. J Am Med Inform Assoc 2017;24(2):361-70.
DOI: 10.1093/jamia/ocw112
Sinha I, Aluthge DP, Chen ES, et al. Machine Learning Offers Exciting Potential for Predicting Postprocedural Outcomes: A Framework for Developing Random Forest Models in IR. J Vasc Interv Radiol 2020;31(6):1018-24.e4.
DOI: 10.1016/j.jvir.2019.11.030
Park BJ, Hunt SJ, Martin C, et al. Augmented and Mixed Reality: Technologies for Enhancing the Future of IR. J Vasc Interv Radiol 2020;31(7):1074-82.
DOI: 10.1016/j.jvir.2019.09.020
Pratt P, Ives M, Lawton G, et al. Through the HoloLens™ looking glass: augmented reality for extremity reconstruction surgery using 3D vascular models with perforating vessels. Eur Radiol Exp 2018;2(1):2-7.
DOI: 10.1186/s41747-017-0033-2
Van Strijen MJL, Vos JA. Experience with new techniques for the treatment of type II endoleaks post-EVAR. J Cardiovasc Surg (Torino) 2014;55(5):581-92.
Radvany MG, Ehtiati T, Huang J, et al. Aortic arch injection with C-arm cone beam CT for radiosurgery treatment planning of cerebral arteriovenous malformations: technical note. J Neurointerv Surg 2012;4(5):e28-8.
DOI: 10.1136/neurintsurg-2011-010115
Vine SJ, Uiga L, Lavric A, et al. Individual reactions to stress predict performance during a critical aviation incident. Anxiety Stress Coping 2015;28(4):467-77.
DOI: 10.1080/10615806.2014.986722
Chrzanowski L, Drozdz J, Strzelecki M, et al. Application of neural networks for the analysis of intravascular ultrasound and histological aortic wall appearance-an in vitro tissue characterization study. Ultrasound Med Biol 2008;34(1):103-13.
DOI: 10.1016/j.ultrasmedbio.2007.06.021
Mendizábal-Ruiz EG, Biros G, Kakadiaris IA. An inverse scattering algorithm for the segmentation of the luminal border on intravascular ultrasound data. Med Image Comput Comput Assist Interv 2009;12(Pt 2):885-92.
DOI: 10.1007/978-3-642-04271-3_107
Chi W, Liu J, Rafii-Tari H, et al. Learning-based endovascular navigation through the use of non-rigid registration for collaborative robotic catheterization. Int J Comput Assist Radiol Surg 2018;13(6):855-64.
DOI: 10.1007/s11548-018-1743-5
Tercero C, Ikeda S, Uchiyama T, et al. Autonomous catheter insertion system using magnetic motion capture sensor for endovascular surgery. Int J Med Robot 2007;3(1):52-8.
DOI: 10.1002/rcs.116
Wen R, Tay W-L, Nguyen BP, et al. Hand gesture guided robot-assisted surgery based on a direct augmented reality interface. Comput Methods Programs Biomed 2014;116(2):68-80.
DOI: 10.1016/j.cmpb.2013.12.018
Zhao Y, Guo S, Wang Y, et al. A CNN-based prototype method of unstructured surgical state perception and navigation for an endovascular surgery robot. Med Biol Eng Comput 2019;57(9):1875-87.
DOI: 10.1007/s11517-019-02002-0
Hadjianastassiou VG, Tekkis PP, Athanasiou T, et al. Comparison of mortality prediction models after open abdominal aortic aneurysm repair. Eur J Vasc Endovasc Surg 2007;33(5):536-43.
DOI: 10.1016/j.ejvs.2006.11.016
Monsalve-Torra A, Ruiz-Fernández D, Marín-Alonso O, et al. Using machine learning methods for predicting inhospital mortality in patients undergoing open repair of abdominal aortic aneurysm. J Biomed Inform 2016;62:195-201.
DOI: 10.1016/j.jbi.2016.07.007
Wise ES, Hocking KM, Brophy CM. Prediction of in-hospital mortality after ruptured abdominal aortic aneurysm repair using an artificial neural network. J Vasc Surg 2015;62(1):8-15.
DOI: 10.1016/j.jvs.2015.02.038
Luebke T, Majd P, Mylonas SN, et al. Artificial neural network for prediction of in-hospital mortality after open repair of ruptured abdominal aortic aneurysm. J Cardiovasc Surg (Torino) 2017;58(5):794-6.
Attallah O, Ma X. Bayesian neural network approach for determining the risk of re-intervention after endovascular aortic aneurysm repair. Proc Inst Mech Eng H 2014;228(9):857-66.
DOI: 10.1177/0954411914549980
Karthikesalingam A, Attallah O, Ma X, et al. An Artificial Neural Network Stratifies the Risks of Reintervention and Mortality after Endovascular Aneurysm Repair; a Retrospective Observational study. PLoS ONE 2015;10(7):e0129024.
DOI: 10.1371/journal.pone.0129024
Attallah O, Karthikesalingam A, Holt PJ, et al. Using multiple classifiers for predicting the risk of endovascular aortic aneurysm repair re-intervention through hybrid feature selection. Proc Inst Mech Eng H 2017;231(11):1048-63.
DOI: 10.1177/0954411917731592
Ross EG, Shah NH, Dalman RL, et al. The use of machine learning for the identification of peripheral artery disease and future mortality risk. J Vasc Surg 2016;64(5):1515-22.e3.
DOI: 10.1016/j.jvs.2016.04.026
Li J, Pan C, Zhang S, et al. Decoding the Genomics of Abdominal Aortic Aneurysm. Cell 2018;174(6):1361-72.e10.
DOI: 10.1016/j.cell.2018.07.021
Wang W, Wang T, Wang Y, et al. Integration of Gene Expression Profile Data to Verify Hub Genes of Patients with Stanford A Aortic Dissection. Biomed Res Int 2019;2019(1, article 2):3629751-9.
DOI: 10.1155/2019/3629751
Zhang X, Liu F, Bai P, et al. Identification of key genes and pathways contributing to artery tertiary lymphoid organ development in advanced mouse atherosclerosis. Mol Med Rep 2019;19(4):3071-86.
DOI: 10.3892/mmr.2019.9961
Jordanski M, Radovic M, Milosevic Z, et al. Machine Learning Approach for Predicting Wall Shear Distribution for Abdominal Aortic Aneurysm and Carotid Bifurcation Models. IEEE J Biomed Health Inform 2018;22(2):537-44.
DOI: 10.1109/JBHI.2016.2639818
Huttunen JMJ, Kärkkäinen L, Lindholm H. Pulse transit time estimation of aortic pulse wave velocity and blood pressure using machine learning and simulated training data. PLoS Comp Biol 2019;15(8):e1007259.
DOI: 10.1371/journal.pcbi.1007259
Filipovic N, Ivanovic M, Krstajic D, et al. Hemodynamic flow modeling through an abdominal aorta aneurysm using data mining tools. IEEE Trans Inform Technol Biomed 2011;15(2):189-94.
DOI: 10.1109/TITB.2010.2096541
Perrin D, Demanget N, Badel P, et al. Deployment of stent grafts in curved aneurysmal arteries: toward a predictive numerical tool. Int J Numer Meth Biomed Engng 2015;31(1):e02698.
DOI: 10.1002/cnm.2698
Perrin D, Badel P, Orgéas L, et al. Patient-specific simulation of endovascular repair surgery with tortuous aneurysms requiring flexible stent-grafts. J Mech Behav Biomed Mater 2016;63:86-99.
DOI: 10.1016/j.jmbbm.2016.06.013
Savova GK, Fan J, Ye Z, et al. Discovering peripheral arterial disease cases from radiology notes using natural language processing. AMIA Annu Symp Proc 2010;2010:722-6.
Crowley RS, Castine M, Mitchell K, et al. caTIES: a grid based system for coding and retrieval of surgical pathology reports and tissue specimens in support of translational research. J Am Med Inform Assoc 2010;17(3):253-64.
DOI: 10.1136/jamia.2009.002295
Friedman C. A broad-coverage natural language processing system. Proc AMIA Symp 2000;270-4.

Artículos Especiales: Big data, ¿pero qué es?

Publicado: 2021-05-19 / http://dx.doi.org/

Artículos más populares

Casos Clínicos: Hemorragia retroperitoneal por rotura espontánea de la vena cava y vena ilíaca derecha

El sangrado retroperitoneal por rotura espontánea...

Publicado: 2019-02-18

Revisiones: Revisión sistemática de los resultados del trasplante renal en pacientes con cirugía abierta de revascularización aortoilíaca

Introducción: la enfermedad renal crónica (ERC) ac...

Publicado: 2021-11-05

Originales: Resultados obtenidos en el tratamiento de embolización endovascular de varices pélvicas

Introducción: el síndrome de congestión pélvica se...

Publicado: 2021-06-16

Una cookie o galleta informática es un pequeño archivo de información que se guarda en su navegador cada vez que visita nuestra página web. La utilidad de las cookies es guardar el historial de su actividad en nuestra página web, de manera que, cuando la visite nuevamente, ésta pueda identificarle y configurar el contenido de la misma en base a sus hábitos de navegación, identidad y preferencias. Las cookies pueden ser aceptadas, rechazadas, bloqueadas y borradas, según desee. Ello podrá hacerlo mediante las opciones disponibles en la presente ventana o a través de la configuración de su navegador, según el caso. En caso de que rechace las cookies no podremos asegurarle el correcto funcionamiento de las distintas funcionalidades de nuestra página web. Más información en el apartado “POLÍTICA DE COOKIES” de nuestra página web.