Advertisement

Der Onkologe

, Volume 24, Issue 5, pp 400–405 | Cite as

Onkologische Chirurgie 4.0

  • D. Ostler
  • N. Marahrens
  • N. Kohn
  • S. Koller
  • R. Stauder
  • N. Navab
Leitthema
  • 78 Downloads

Zusammenfassung

Hintergrund

Die Fortschritte in der Digitalisierung und der Informationsverarbeitung nehmen auch Einfluss auf die interventionelle Medizin. Sich dieser Entwicklung anzupassen, wird eine zentrale Herausforderung der modernen (onkologischen) Chirurgie sein, um weiterhin optimierte Therapieverfahren anbieten zu können.

Ziel und Schlussfolgerung

Im Hinblick auf die technologische Entwicklung innerhalb und auch außerhalb der Medizin schlagen die Autoren eine „Chirurgie 4.0“ vor, die ein besonderes Augenmerk auf die Sammlung, Aufbereitung und Analyse von perioperativen Daten legt, um durch intelligente Assistenzsysteme die Eingriffe effizienter und sicherer zu machen. Hierzu werden – bezogen auf die 3 operativen Phasen Planung, Durchführung und Nachbehandlung – die Bedeutung der Datengenerierung, Analyse und Interpretation und die möglichen Anwendungen für kontextsensitive mechatronische oder softwarebasierte Unterstützungssysteme dargestellt.

Schlüsselwörter

Interventionelle Medizin Digitalisierung Kognitive Chirurgie Surgical Data Science Workflow-Analyse 

Oncological surgery 4.0

Abstract

Background

The advances in digitalization and information processing are also influencing interventional medicine. Adapting to this development will be a central challenge of modern (oncological) surgery in order to be able to continue to offer optimized therapeutic procedures.

Objective and Conclusion

With respect to the technological developments within and outside of medicine, we propose a “Surgery 4.0”, which places special emphasis on the collection, processing and analysis of perioperative data in order to make interventions more efficient and safer by means of intelligent assistance systems. To this end we examine the three operative phases of planning, implementation and posttreatment with respect to their impact on data generation, as well as possible applications for context-sensitive mechatronics or software-based support systems.

Keywords

Interventional medicine Digitization Cognitive surgery Surgical data cience Workflow analysis 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

D. Ostler, N. Marahrens, N. Kohn, S. Koller, R. Stauder und N. Navab geben an, dass kein Interessenkonflikt besteht.

Dieser Beitrag beinhaltet keine von den Autoren durchgeführten Studien an Menschen oder Tieren.

Literatur

  1. 1.
    Aczon M, Ledbetter D, Ho L et al (2017) Dynamic Mortality Risk Predictions in Pediatric Critical Care Using Recurrent Neural Networks. arXiv preprint arXiv:1701.06675Google Scholar
  2. 2.
    Cios KJ, Moore GW (2002) Uniqueness of medical data mining. Artif Intell Med 26:1–24CrossRefPubMedGoogle Scholar
  3. 3.
    Esteva A, Kuprel B, Novoa RA et al (2017) Dermatologist-level classification of skin cancer with deep neural networks. Nature 542:115–118CrossRefPubMedGoogle Scholar
  4. 4.
    Feußner H, Ostler D, Kohn N et al (2016) Umfassende Systemintegration und Vernetzung im Operationssaal. Chirurg 87:1002–1007CrossRefPubMedGoogle Scholar
  5. 5.
    Gupta S, Tran T, Luo W et al (2014) Machine-learning prediction of cancer survival: a retrospective study using electronic administrative records and a cancer registry. BMJ Open 4:e4007.  https://doi.org/10.1136/bmjopen-2013-004007 CrossRefPubMedPubMedCentralGoogle Scholar
  6. 6.
    Kasparick M, Schlichting S, Golatowski F et al (2015) New IEEE 11073 standards for interoperable, networked point-of-care medical devices. In: 37th Annual International Conference of the IEEE. IEEE, Mailand, Italy, S 1721–1724Google Scholar
  7. 7.
    Kenngott H, Wagner M, Preukschas A et al (2016) Der intelligente Operationssaal. Chirurg 87:1033–1038CrossRefPubMedGoogle Scholar
  8. 8.
    Kranzfelder M, Schneider A, Fiolka A et al (2014) Reliability of sensor-based real-time workflow recognition in laparoscopic cholecystectomy. Int J Comput Assist Radiol Surg 9:941–948CrossRefPubMedGoogle Scholar
  9. 9.
    Litjens G, Kooi T, Bejnordi BE et al. (2017) A survey on deep learning in medical image analysis. arXiv preprint arXiv:1702.05747Google Scholar
  10. 10.
    Marahrens N, Koller S, Ostler D et al (2017) Deep learning-based robotic endoscope guidance. Jahrestagung CURAC.Google Scholar
  11. 11.
    Maruyama K, Okabayashi K, Kinoshita T (1987) Progress in gastric cancer surgery in Japan and its limits of radicality. World J Surg 11:418–425CrossRefPubMedGoogle Scholar
  12. 12.
    Mudunuri R, Burgert O, Neumuth T (2009) Ontological modelling of surgical knowledge. GI Jahrestagung 154, S 1044–1054Google Scholar
  13. 13.
    Niesing B (2016) Produzieren 4.0. weiter.vorn. Das Fraunhofer-Magazin, S 8–13Google Scholar
  14. 14.
    Ostler D, Kranzfelder M, Stauder R et al (2015) A centralized data acquisition framework for operating theatres. 2015 17th International Conference on E‑health Networking, Application & Services (HealthCom). IEEE, Boston, MA, USA, S 1–5Google Scholar
  15. 15.
    Stauder R, Belagiannis V, Schwarz L et al (2012) A user-centered and workflow-aware unified display for the operating room. MICCAI Workshop on Modeling and Monitoring of Computer Assisted Interventions (M2CAI).Google Scholar
  16. 16.
    Stauder R, Ostler D, Kranzfelder M et al. (2016) The TUM LapChole dataset for the M2CAI 2016 workflow challenge. arXiv preprint arXiv:1610.09278Google Scholar
  17. 17.
    Twinanda AP, Shehata S, Mutter D et al (2017) Endonet: a deep architecture for recognition tasks on laparoscopic videos. IEEE Trans Med Imaging 36:86–97CrossRefPubMedGoogle Scholar

Copyright information

© Springer Medizin Verlag GmbH, ein Teil von Springer Nature 2018

Authors and Affiliations

  • D. Ostler
    • 1
    • 2
  • N. Marahrens
    • 1
  • N. Kohn
    • 1
  • S. Koller
    • 1
  • R. Stauder
    • 2
  • N. Navab
    • 2
  1. 1.Minimal-invasive Interdisziplinäre Therapeutische Intervention (MITI)Klinikum rechts der Isar der TU MünchenMünchenDeutschland
  2. 2.Computer Aided Medical Procedures (CAMP)Technische Universität MünchenMünchenDeutschland

Personalised recommendations