Mesterséges intelligencia a viscerális sebészetben: ígéretes döntéstámogatás, még kevés klinikai bizonyítékkal
A narratív áttekintés a mesterséges intelligencia viscerális sebészeti alkalmazásairól közölt tanulmányokat rendszerezte a perioperatív folyamat négy szakaszában: a preoperatív, intraoperatív, posztoperatív és oktatási felhasználás szerint.
Széles alkalmazási tér, korai fejlettségi szint
A mesterséges intelligencia (MI) olyan algoritmusok összessége, amelyek az emberi intelligenciát rendszerint igénylő, összetett feladatok megoldására képesek. Jelentőségét a nagy mennyiségű, hiányos vagy korlátozott elméleti keretben értelmezhető adat feldolgozása adja. A szerzők a gépi tanulást, a mesterséges neurális hálózatokat, a számítógépes látást és a természetesnyelv-feldolgozást emelik ki mint a sebészeti alkalmazások szempontjából ígéretes részterületeket.
A szerzők 2025 márciusában végeztek PubMed-keresést. A viscerális sebészethez kapcsolódó, MI-eszközt vizsgáló humán tanulmányokat vonták be; egyéb sebészeti szakterületekkel foglalkozó, sebészeti beavatkozást vagy MI-t nem vizsgáló közlemények, visszavont cikkek és nem humán vizsgálatok nem kerültek az elemzésbe. A hivatkozáslisták és a PubMed hasonló cikkei további forrásokat adtak. A 221 azonosított publikációból 56 felelt meg első körben a feltételeknek, majd kereszt-hivatkozások alapján további 152-t adtak hozzá, így végül 208 cikket tekintettek át. Az első bevont cikk 2011-es, a legújabb 2025 márciusáig jelent meg.
Az eszközöket a felhasználás időpontja alapján sorolták be: 124 volt preoperatív, 39 intraoperatív, 29 posztoperatív és 16 oktatási célú. A szerzők a validáció státuszát is értékelték. A külső validációt az általánosíthatóság és robusztusság megítélésére alkalmasabbnak tekintették a belső validációnál, a prospektív vizsgálatot pedig előnyösebbnek a retrospektívnél. A klinikai vagy oktatási gyakorlatba már implementált, korábban validált megoldás jelentette a bizonyíték legmagasabb szintjét.
Preoperatív rétegzés és terápiatervezés
A műtét előtti MI-alkalmazások célja a terápiás eredmények és a patológiai leletek előrejelzése, ezáltal azon betegcsoportok azonosítása, amelyek egy adott kezelési stratégiából profitálhatnak. Hasi fal rekonstrukciója esetén neurális hálózatok és gépi tanulási modellek jelezték előre többek között a beavatkozás komplexitását, a műtéti területi fertőzés és a sérvrecidíva kockázatát.
A felső gastrointestinalis sebészetben CT-, MR- és 18F-FDG-PET-alapú radiomikai módszerekkel vizsgálták a nyelőcső- és gyomorrák terápiás válaszát, szövettani jellemzőit és műtét utáni kimeneteleit. Gastrointestinalis stromalis tumorokban (GIST) CT-radiomika segítségével klinikai és patológiai paraméterek, illetve kimenetelek előrejelzését vizsgálták. Bariátriai beavatkozások előtt az algoritmusok a metabolikus szindróma, a sebészeti eredmény és az ötéves testsúlypálya becslésére szolgáltak Roux-en-Y gyomor-bypass, sleeve gastrectomia és gyomorgyűrű-műtét esetén.
A hepatobiliáris sebészetben a CT-, MR- és ultrahangalapú radiomika a hasnyálmirigy-szövet elkülönítésében, valamint hasnyálmirigyrákban klinikai és szövettani végpontok becslésében kapott szerepet. Hepatocellularis carcinomában (HCC) a képalkotásra épülő számítógépes látás a diagnózis és differenciálás támogatását, a szövettan és a túlélés predikcióját szolgálta; egy neurális hálózat műtéti és kemoterápiás kezelési javaslatokat is adott. Epehólyag-térfoglaló elváltozások diagnosztikáját és kockázatbecslését ultrahang- és CT-radiomika javíthatta, cholangiocarcinomában pedig többféle képalkotó modalitást használtak klinikai és szövettani kimenetelek becslésére.
Colorectalis daganatokban az MI támogathatta a diagnózist, valamint a műtéti, szövettani és klinikai kimenetelek előrejelzését CT-, MR- és PET-CT-radiomika felhasználásával. Két implementált, randomizált kolonoszkópiás vizsgálatban a mélytanulási, számítógéppel támogatott detektáló rendszer mellett magasabb volt az adenomadetektálás: az esélyhányados 1,36, illetve 1,46 volt a hagyományos kolonoszkópiához képest. Adminisztratív területen a gépi tanulás a betegirányítás és a műtőidő tervezésének optimalizálásában mutatott lehetőséget.
A lehetséges preoperatív funkciók közé tartozhat a beutalások elemzése és rendszerezése, a műtét előtti kivizsgálás kiegészítése, a klinikai, laboratóriumi, hisztológiai és radiológiai adatok értelmezése, továbbá a neoadjuváns és operatív kezelés, az ellátási út és a műtőbeosztás támogatása.
Nem tisztázott azonban a modellek általánosíthatósága és a multidiszciplináris megbeszélésekbe, konzultációkba vagy műtéti tervezésbe illesztésük. Vita tárgya az is, hogy az MI ténylegesen javítja-e a döntést, vagy túldiagnosztikához vezethet; eltérő klinikusi és MI-javaslat esetén a végső döntés felelőssége is nehezen rendezhető.
Intraoperatív tájékozódás és monitorozás
A műtét közben használt eszközök a beavatkozás navigációját és kritikus lépéseinek megoldását célozzák. A számítógépes látás komplex esetekben képes volt a műtéti munkafolyamatok azonosítására és elemzésére, laparoszkópos és robotsebészeti eljárásokban pedig anatómiai struktúrák, sebészi eszközök megkülönböztetésére. Laparoszkópos cholecystectomia során az anatómiai tájékozódási pontok, a biztonsági és veszélyzónák, valamint a Critical View of Safety (CVS) felismerése szerepelt a vizsgált célok között. Egyes rendszerek a műtéti géz követését, a mesorectalis preparálási sík, erek vagy autonóm idegek jelölését is kísérelték meg.
A gépi tanulási algoritmusok az intraoperatív hipotenzió előrejelzésére is alkalmasak voltak. Egy implementációs vizsgálatban az előrejelző rendszer használata mellett a hipotenzióig eltelt medián idő 8,0 perc volt, szemben a hagyományos ellátásban mért 32,7 perccel. Más, implementált eszközök a nocicepció alapján vezetett analgéziával alacsonyabb posztoperatív fájdalompontszámokkal társultak, míg egy vizsgálatban a mortalitás, a légzési elégtelenség és az akut vesekárosodás aránya nem különbözött a referenciakezeléstől.
Az intraoperatív MI elvben biztonságosabbá, hatékonyabbá teheti a sebészetet, és elősegítheti a műtői szakmák közötti kommunikációt. Nyitott, laparoszkópos és robotsebészetben kiterjesztett valósági megoldások is segíthetik a kritikus helyzetek anticipálását, ám ezeket az áttekintés a terjedelmi korlátok miatt nem elemezte.
A valódi műtői környezetben a vér, füst, tükröződés, párás kamera és változó látószög jelentősen ronthatja a modellek teljesítményét. A standard körülményekre tanított modellek ráadásul a ritka, kritikus helyzeteket alulreprezentáltságuk miatt elmulaszthatják. A túlzott használat a sebészi készségek eróziójával, romló helyzetértékeléssel és a téves megnyugtatásból fakadó veszélyes magabiztossággal járhat.
Posztoperatív és oktatási feladatok
Posztoperatívan az MI a rövid és hosszú távú betegvezetés döntéstámogatását, a műtéti eredmények előrejelzését szolgálhatja. Neurális hálózatok, gépi tanulási és természetesnyelv-feldolgozó algoritmusok a morbiditás, mortalitás, fertőzések, tromboembóliás események, delírium, akut vesekárosodás, kórházi visszavétel és anastomosiselégtelenség kockázatát becsülték. Colorectalis műtétek után a strukturálatlan elektronikus egészségügyi dokumentáció szövegének elemzésére épített modell az anastomosiselégtelenség korai felismerésében 1,00 szenzitivitást és 0,72 specificitást ért el. Az MI-alapú, személyre szabott posztoperatív ellátás és elbocsátás mérsékelhetné az intenzív osztályok, az egészségügyi személyzet és az utánkövető szolgáltatások terheit, valamint a költségeket.
Daganatreszekció után az algoritmusok a túlélést, a sebészeti sikerességet, valamint az adjuváns kemoterápia vagy immunterápia várható hasznát is rétegezhetik. Gyomorrákban külső retrospektív elemzésekben 19 génből származtatott szignatúra, tumort infiltráló limfociták, CT-szignatúra és immunhisztokémiai osztályozó segítette az adjuváns kezelés hasznának előrejelzését. Coloncarcinomában kollagénalapú mélytanulási osztályozó vizsgálta az adjuváns kemoterápia előnyét. A dinamikusan változó posztoperatív állapot ugyanakkor korlátozza az alkalmazhatóságot: a klinikailag irreleváns riasztások riasztási fáradtságot válthatnak ki, és csökkenthetik a rendszer megbízhatóságát. Az esélyegyenlőséget is figyelembe kell venni, mivel a korlátozott digitális készségekkel élő betegek hátrányba kerülhetnek.
Az oktatásban az MI alkalmas lehet a sebészi stressz számszerűsítésére, egyénre szabott oktatási támogatás nyújtására, valamint a készségek és szakértői szint értékelésére. A műtéti videók globálisan megosztható adatbázisba gyűjtése, az objektív, egyénre szabott, valós idejű útmutatás és a szimulációs vagy klinikai képzés támogatása új lehetőséget jelenthet a rezidensképzésben. A sebészi szakértelem azonban technikából, döntéshozatalból, csapatmunkából és helyzetfelismerésből álló, többdimenziós kompetencia. E tényezők modellezése nehéz, és nem mindig egyértelmű, hogy az MI valódi készséget mér-e, vagy csupán felszínes mozgásmintázatokat rögzít; a humán oktató teljes helyettesítését a szakértők többsége kétségbe vonja.
Adatminőség, validáció és felelősség
Az MI kimenete a tanítóadatok minőségétől függ: pontatlan, torzított vagy korlátozott adatok rontják a megbízhatóságot. A klinikai kutatásban a nők és az etnikai kisebbségi csoportok alulreprezentáltsága különösen fontos, sokszor figyelmen kívül hagyott szisztematikus torzítás. Felügyelt tanuláskor a szakértői adatrendezés idő- és költségigényes, de ennek elhanyagolása gyenge eredményekhez vezet. Az algoritmusok belső működésének átláthatatlansága szintén akadályozza az értelmezést, az összehasonlítást és a bizalmat.
A jelenlegi bizonyítékok túlnyomórészt egycentrumos, retrospektív vizsgálatokból származnak, külső, prospektív validáció nélkül. A mindennapi klinikai bevezetés még nem igazolt.
Az egészségügyi rendszerben való elfogadáshoz az MI-nek a klinikusnál jobb eredményt, nagyobb pontosságot, gyorsabb működést és kedvezőbb költséghatékonyságot kell nyújtania. Nem minden beteg, betegség, kezelés vagy utánkövetés igényel MI-támogatást; a bevezetésről a sebészeknek kell dönteniük. A jövőbeli kutatások feladata a prospektív, multicentrikus validáció, a klinikai implementáció, a mindennapi munkafolyamatokba való integráció, a kimenetelorientált értékelés, valamint annak vizsgálata, miként használják és szükség esetén miként bírálják felül az egészségügyi szakemberek az MI eredményeit.
Forrás: Ammann Y, Chatziisaak D, Bischofberger S, Steffen T. Artificial intelligence in visceral surgery: A comprehensive narrative review and future outlook. Heliyon. 2026;12:e45165. doi:10.1016/j.heliyon.2026.e45165.
Ez a cikk mesterséges intelligencia segítségével készült, majd szerkesztőségünk áttekintette, korrigálta és jóváhagyta. A hivatkozott forrásokat szerkesztőségünk választotta, és a tartalom pontosságának, időszerűségének biztosítása érdekében a szöveget az eredeti forrással összevetette.
