Inteligencia artificial, la nueva herramienta en la medicina perioperatoria y en el manejo del dolor postoperatorio

 

Cómo la inteligencia artificial (IA), en particular a través del Machine Learning (aprendizaje automático) y el Deep Learning (aprendizaje profundo), se ha convertido en una herramienta clave en el desarrollo de la medicina perioperatoria, con importantes implicaciones para la anestesiología y el manejo del dolor postquirúrgico.

Se explica que la IA permite analizar grandes volúmenes de datos clínicos (Big Data) para identificar patrones complejos que pueden ser utilizados para crear modelos predictivos. Estos modelos permiten anticipar complicaciones, evaluar riesgos quirúrgicos, personalizar tratamientos, y mejorar la toma de decisiones clínicas. Por ejemplo, se han desarrollado algoritmos para predecir hipotensión intraoperatoria, reingresos postoperatorios, duración de cirugías, sensibilidad al dolor, e incluso la aparición de dolor crónico.

En el ámbito del dolor postoperatorio, se han utilizado tecnologías de IA para evaluar el dolor de manera objetiva, especialmente en pacientes con dificultades para comunicar su malestar (como neonatos o personas inconscientes), mediante el análisis de expresiones faciales, señales fisiológicas y otros indicadores. Proyectos como PAIN OUT recogen información clínica real para mejorar las estrategias de tratamiento del dolor en múltiples países, incluyendo México.

Cómo la IA está revolucionando la anestesia regional al ayudar a los anestesiólogos a identificar estructuras anatómicas a través de ultrasonido con mayor precisión y rapidez. Esto mejora tanto la eficacia de los bloqueos regionales como la seguridad del paciente, y resulta especialmente valioso en la formación de nuevos especialistas.

A pesar de sus beneficios, el artículo reconoce las limitaciones actuales de estas tecnologías, especialmente en lo que respecta al dolor agudo de corta duración y la interpretación de señales individuales. También se plantean desafíos éticos, técnicos y sociales que deben ser abordados para garantizar una implementación adecuada.

En conclusión, la IA tiene un papel transformador en la medicina perioperatoria, con la capacidad de mejorar la calidad de la atención, reducir riesgos y personalizar tratamientos, aunque su integración efectiva en la práctica clínica requerirá tiempo, educación, regulación y desarrollo continuo.

 

La inteligencia artificial en medicina:

  • Ayuda en la toma de decisiones médicas, predicción de riesgos y mejora de resultados clínicos.
  • Machine Learning identifica patrones a partir de grandes cantidades de datos.
  • Deep Learning simula funciones cerebrales con redes neuronales más complejas.

Aplicaciones clínicas:

  • Evaluación preoperatoria.
  • Predicción de complicaciones quirúrgicas.
  • Monitoreo intraoperatorio e intensivo.
  • Atención médica personalizada basada en datos del paciente.

Manejo del dolor postoperatorio:

  • IA ayuda a evaluar la intensidad del dolor y anticipar dolor crónico.
  • Se desarrollan algoritmos que analizan señales fisiológicas, expresiones faciales y neuroimágenes.

Proyectos destacados:

  • PAIN OUT: iniciativa internacional que recopila datos sobre el manejo del dolor para mejorar la atención.

Anestesia regional y formación médica:

  • La IA permite identificar estructuras anatómicas en ultrasonido en tiempo real.
  • Mejora la educación de anestesiólogos en formación.

Limitaciones actuales:

  • Tecnología aún no detecta dolor agudo de corta duración con suficiente precisión.
  • Desafíos éticos, técnicos y sociales en su implementación clínica.

Conclusión:

  • La IA tiene el potencial de transformar la medicina perioperatoria y el manejo del dolor, aunque requiere desarrollo continuo e integración cuidadosa en la práctica médica.

 

 

Maheshwari K, Cywinski JB, Papay F, Khanna AK, Mathur P. Artificial intelligence for perioperative medicine: perioperative intelligence. Anesth Analg. 2023;136:637-645. Available in: http://dx.doi.org/10.1213/ane.0000000000005952

Cascella M, Tracey MC, Petrucci E, Bignami EG. Exploring artificial intelligence in anesthesia: a primer on ethics, and clinical applications. Surgeries (Basel). 2023;4:264-274. Available in: http://dx.doi.org/10.3390/surgeries4020027

Lanzagorta-Ortega D, Carrillo-Pérez DL, Carrillo-Esper R. Inteligencia artificial en medicina: presente y futuro. Gac Med Mex. 2022;158:17-21. Available in: http://dx.doi.org/10.24875/gmm.m22000688

Yoon H-K, Yang H-L, Jung C-W, Lee H-C. Artificial intelligence in perioperative medicine: a narrative review. Korean J Anesthesiol. 2022;75:202-215. Available in: http://dx.doi.org/10.4097/kja.22157

Hatib F, Jian Z, Buddi S, Lee C, Settels J, Sibert K, et al. Machine-learning algorithm to predict hypotension based on high-fidelity arterial pressure waveform analysis. Anesthesiology. 2018;129:663-674. Available in: http://dx.doi.org/10.1097/aln.0000000000002300

Lee J, Mawla I, Kim J, Loggia ML, Ortiz A, Jung C, et al. Machine Learning-based prediction of clinical pain using multimodal neuroimaging and autonomic metrics. Pain. 2019;160:550-560. Available in: http://dx.doi.org/10.1097/j.pain.0000000000001417

Misić VV, Gabel E, Hofer I, Rajaram K, Mahajan A. Machine Learning prediction of postoperative emergency department hospital readmission. Anesthesiology. 2020;132:968-980. Available in: http://dx.doi.org/10.1097/aln.0000000000003140

Wang Y, Zhu Y, Xue Q, Ji M, Tong J, Yang J-J, et al. Predicting chronic pain in postoperative breast cancer patients with multiple Machine Learning and Deep Learning models. J Clin Anesth. 2021;74:110423. Available in: http://dx.doi.org/10.1016/j.jclinane.2021.110423

Hsiao F-J, Chen W-T, Pan L-LH, Liu H-Y, Wang Y-F, Chen S-P, et al. Machine Learning-based prediction of heat pain sensitivity by using resting-state EEG. Front Biosci (Landmark Ed). 2021;26:1537-1547. Available in: http://dx.doi.org/10.52586/5047

Huang L, Chen X, Liu W, Shih P-C, Bao J. Automatic surgery and anesthesia emergence duration prediction using artificial neural networks. J Healthc Eng. 2022;2022:1-17. Available in: http://dx.doi.org/10.1155/2022/2921775

Persson I, Grünwald A, Morvan L, Becedas D, Arlbrandt M. A Machine Learning algorithm predicting acute kidney injury in intensive care unit patients (NAVOY Acute Kidney Injury): proof-of-concept study. JMIR Form Res. 2023;7:e45979. Available in: http://dx.doi.org/10.2196/45979

Bellini V, Valente M, Gaddi AV, Pelosi P, Bignami E. Artificial intelligence and telemedicine in anesthesia: potential and problems. Minerva Anestesiol. 2022;88:729-734. Available in: http://dx.doi.org/10.23736/s0375-9393.21.16241-8

Bellini V, Valente M, Bertorelli G, Pifferi B, Craca M, Mordonini M, et al. Machine Learning in perioperative medicine: a systematic review. J Anesth Analg Crit Care. 2022;2:2. Available in: http://dx.doi.org/10.1186/s44158-022-00033-y

Batko K, Slezak A. The use of big data analytics in healthcare. J Big Data. 2022;9:3. Available in: http://dx.doi.org/10.1186/s40537-021-00553-4

othaug J, Zaslansky R, Schwenkglenks M, Komann M, Allvin R, Backström R, et al. Patients’ perception of postoperative pain management: Validation of the international pain outcomes (IPO) questionnaire. J Pain. 2013;14:1361-1370. Available in: http://dx.doi.org/10.1016/j.jpain.2013.05.016

Müller-Wirtz LM, Volk T. Big data in studying acute pain and regional anesthesia. J Clin Med. 2021;10:1425. Available in: https://doi.org/10.3390/jcm10071425

Wall J, Dhesi J, Snowden C, Swart M. Perioperative medicine. Future Healthcare J. 2022;9:138-143. Available in: http://dx.doi.org/10.7861/fhj.2022-0051

Gkikas S, Tsiknakis M. Automatic assessment of pain based on Deep Learning methods: a systematic review. Comput Methods Programs Biomed. 2023;231:107365. Available in: http://dx.doi.org/10.1016/j.cmpb.2023.107365

Semwal A, Londhe ND. Automated pain severity detection using convolutional neural network. In: 2018 International Conference on Computational Techniques, Electronics and Mechanical Systems (CTEMS). IEEE; 2018.

Lee H-C, Ryu H-G, Chung E-J, Jung C-W. Prediction of bispectral index during target-controlled infusion of propofol and remifentanil. Anesthesiology. 2018;128:492-501. Available in: http://dx.doi.org/10.1097/aln.0000000000001892

Alekin MS, Zamzmi G, Goldgof D, Kasturi R, Ho T, Sun Y. Multimodal spatio-temporal Deep Learning approach for neonatal postoperative pain assessment. Comput Biol Med. 2021;129:104150. Available in: http://dx.doi.org/10.1016/j.compbiomed.2020.104150

Wang R, Xu K, Feng H, Chen W. Hybrid RNN-ANN based deep physiological network for pain recognition. In: 2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC). IEEE; 2020.

Zhi R, Zhou C, Yu J, Li T, Zamzmi G. Multimodal-based stream integrated neural networks for pain assessment. IEICE Trans Inf Syst. 2021;E104.D:2184-294. Available in: http://dx.doi.org/10.1587/transinf.2021edp7065

Guan B, Liu F, Mizaian AH, Demehri S, Samsonov A, Guermazi A, et al. Deep Learning approach to predict pain progression in knee osteoarthritis. Skeletal Radiol. 2022;51:363-373. Available in: http://dx.doi.org/10.1007/s00256-021-03773-0

Liu Y-L, Lin C-S, Cheng C-C, Lin C. A Deep Learning algorithm for detecting acute pericarditis by electrocardiogram. J Pers Med. 2022;12:1150. Available in: http://dx.doi.org/10.3390/jpm12071150

Yoon H, Bak MS, Kim SH, Lee JH, Chung G, Kim SJ, et al. Development of a spontaneous pain indicator based on brain cellular calcium using Deep Learning. Exp Mol Med. 2022;54:1179-1187. Available in: http://dx.doi.org/10.1038/s12276-022-00828-7

Fang J, Wu W, Liu J, Zhang S. Deep Learning-guided postoperative pain assessment in children. Pain. 2023;164:2029-2035. Disponible en: http://dx.doi.org/10.1097/j.pain.0000000000002900

Fontaine D, Vielzeuf V, Genestier P, Limeux P, Santucci-Sivilotto S, Mory E, et al. Artificial intelligence to evaluate postoperative pain based on facial expression recognition. Eur J Pain. 2022;26:1282-1291. Available in: http://dx.doi.org/10.1002/ejp.1948

Pinzon-Arenas JO, Kong Y, Chon KH, Posada-Quintero HF. Design and evaluation of Deep Learning models for continuous acute pain detection based on phasic electrodermal activity. IEEE J Biomed Health Inform. 2023;27:4250-4260. Available in: http://dx.doi.org/10.1109/jbhi.2023.3291955

Melzack R, Katz J. Pain assessment in adult patients. In: McMahon SB, Koltzenburg M, Tracey I, Turk D, editors. Wall and Melzack textbook of pain. Elsevier Saunders; 2013. pp. 301-314.

Apfelbaum JL, Chen C, Mehta SS, Gan TJ. Postoperative pain experience: results from a national survey suggest postoperative pain continues to be undermanaged. Anesth Analg. 2003;97:534-540. doi: 10.1213/01.Ane.0000068822.10113.9e

Park I, Park JH, Yoon J, Song IA, Na HS, Ryu JH, Oh AY. Artificial intelligence model predicting postoperative pain using facial expressions: a pilot study. J Clin Monit Comput. 2024;38:261-270. doi: 10.1007/s10877-023-01100-7.

Ekman P, Friesen WV. Measuring facial movement. Environ Psychol Nonverbal Behav. 1976;1:56-75. doi: 10.1007/BF01115465.

Balavenkatasubramanian J, Kumar S, Sanjayan RD. Artificial intelligence in regional anaesthesia. Indian J Anaesth. 2024;68:100-104. Available in: http://dx.doi.org/10.4103/ija.ija_1274_23

Bowness J, Varsou O, Turbitt L, Burkett-St Laurent D. Identifying anatomical structures on ultrasound: assistive artificial intelligence in ultrasound‐guided regional anesthesia. Clin Anat. 2021;34:802-809. Available in: http://dx.doi.org/10.1002/ca.23742

 

more posts: