Die digitale Transformation der Chirurgie

Nov 13, 2023

npj Digital Medicine Band 6, Artikelnummer: 103 (2023) Diesen Artikel zitieren

402 Zugriffe

6 Altmetrisch

Details zu den Metriken

Die rasanten Fortschritte in der digitalen Technologie und der künstlichen Intelligenz in den letzten Jahren haben bereits begonnen, viele Branchen zu verändern und beginnen auch im Gesundheitswesen Einzug zu halten. Es besteht ein enormes Potenzial für neue digitale Technologien, um die Versorgung chirurgischer Patienten zu verbessern. In diesem Artikel beleuchten wir die Arbeit, die geleistet wird, um die chirurgische Versorgung durch maschinelles Lernen, Computer Vision, tragbare Geräte, Patientenfernüberwachung sowie virtuelle und erweiterte Realität voranzutreiben. Wir beschreiben Möglichkeiten, wie diese Technologien zur Verbesserung der chirurgischen Praxis eingesetzt werden können, und diskutieren Chancen und Herausforderungen für ihre weit verbreitete Einführung und Verwendung in Operationssälen und am Krankenbett.

Innovationen in der digitalen Technologie haben begonnen, die medizinische Praxis zu verändern. Von von der FDA zugelassenen künstlichen Intelligenzsystemen für die Endoskopie1 bis hin zum zunehmenden Einsatz tragbarer Biosensoren in klinischen Studien2 werden digitale Technologien bereits in verschiedenen Bereichen der Medizin eingesetzt. In der Vergangenheit war der Bereich der Chirurgie berechtigterweise relativ zurückhaltend beim Einsatz neuer und potenziell disruptiver Technologien, die nicht ausführlich untersucht wurden, angesichts der Möglichkeit einer direkten und unmittelbaren Schädigung des Patienten3; Die bisherigen Erfahrungen der Chirurgie mit digitalen Technologien sind nicht anders. Angesichts des enormen Potenzials neuer digitaler Technologien zur Verbesserung der chirurgischen Versorgung glauben wir jedoch, dass ihre Integration in die tägliche chirurgische Praxis unvermeidlich ist. Tatsächlich integrieren Bereiche wie Gastroenterologie und Radiologie bereits digitale Technologien in ihre Praxis4,5. In dieser npj Digital Medicine-Sondersammlung beleuchten wir Arbeiten in verschiedenen Bereichen der digitalen Technologie – maschinelles Lernen, Computer Vision, tragbare Geräte, Fernüberwachung von Patienten sowie virtuelle und erweiterte Realität –, von denen wir glauben, dass sie alle bereit sind, die Chirurgie zu verändern die kommenden Jahre. In diesem Artikel beschreiben wir Chancen und Herausforderungen für die Einführung dieser Technologien.

Modelle für maschinelles Lernen haben das Potenzial, komplexe, differenzierte Beziehungen zwischen einer enormen Anzahl klinischer Variablen, einschließlich multimodaler Daten, auf eine Weise zu lernen, die herkömmliche statistische Risikorechner nicht können. Dieser Vorteil könnte bald genutzt werden, um den klinischen Verlauf von Patienten besser vorherzusagen und Chirurgen dabei zu helfen, individuellere Entscheidungen zur Patientenversorgung zu treffen.

Insbesondere KI-gestützte Entscheidungsunterstützungssysteme haben das Potenzial, chirurgische Ergebnisse vorherzusagen. Die Vorhersage des chirurgischen Ergebnisses ist für die Patientenversorgung wichtig, sowohl präoperativ, um zu entscheiden, welche Patienten für einen chirurgischen Eingriff in Frage kommen, als auch postoperativ, um das Risiko von Komplikationen vorherzusagen. Algorithmen für maschinelles Lernen können auf beide Aspekte angewendet werden, um die Ergebnisvorhersage zu unterstützen. Mobile Anwendungen mit dieser Art von Algorithmen wurden an mehreren großen akademischen Einrichtungen entwickelt und getestet6,7,8,9.

Eine in dieser Sammlung hervorgehobene Überprüfung von Modellen des maschinellen Lernens, die aus klinischen Daten in der Gefäßchirurgie gelernt haben, ergab, dass mehrere Modelle eine bessere Leistung erbringen als bestehende klinische Vorhersagetools, Ärzte und herkömmliche Regressionsmodelle10. Die Studie kommt außerdem zu dem Schluss, dass sich die Modellleistung mit neueren Studien weiter verbessert, da maschinelle Lernwerkzeuge zunehmend in der Gefäßchirurgie eingesetzt werden. Diese Ergebnisse unterstreichen, dass maschinelles Lernen eines Tages als wichtige Ergänzung für Analyse, Diagnose und Ergebnisvorhersage in der Chirurgie dienen könnte.

Computer Vision – die Anwendung maschineller Lernalgorithmen zur visuellen Datenanalyse – birgt ein enormes Potenzial, die klinische Versorgung überall dort zu beeinflussen, wo Bilder oder Videodaten im Spiel sind. In dieser Spezialsammlung konzentrieren wir uns hauptsächlich auf Anwendungen von Computer Vision zur Analyse intraoperativer Daten. Rasante Fortschritte im Bereich Computer Vision, einschließlich der zunehmenden Nutzung tiefer neuronaler Netze, haben zur Entwicklung von Algorithmen geführt, die klinisch wichtige Aspekte intraoperativer Videodaten genau identifizieren können11. Zu den aufregendsten potenziellen Anwendungen der intraoperativen Computer-Vision-Analyse in Echtzeit zur Unterstützung einer sichereren Chirurgie gehört die Bereitstellung eines Augmented-Reality-Erlebnisses für Chirurgen, um die intraoperative Entscheidungsfindung zu unterstützen12. Viele bestehende veröffentlichte Computer-Vision-Modelle haben gezeigt, dass sie in der Lage sind, die operative Komplexität zu beurteilen, bei der Entscheidungsfindung bei minimalinvasiven Eingriffen zu helfen, die technischen Fähigkeiten von Chirurgen auf automatisierte und skalierbare Weise zu bewerten, intraoperatives Feedback zu geben, die Dynamik des OP-Teams zu bewerten und sogar Vorhersagen zu treffen postoperative Ergebnisse basierend auf intraoperativen Ereignissen13,14,15. In Kombination mit diesen Technologien kann die virtuelle Realität als Trainingsgelände für die Bewertung und Ausbildung operativer Fähigkeiten genutzt werden16. Auch wenn die Integration dieser Instrumente in die reguläre chirurgische Praxis noch nicht Realität ist, werden die potenziellen Anwendungsfälle mit der Fortführung der Forschung auf diesem Gebiet sicherlich weiter zunehmen.

Tragbare Geräte und andere persönliche Technologien, die physiologische Signale und vom Patienten gemeldete Variablen in Echtzeit erfassen und übertragen, sind eine weitere wichtige Technologie mit dem Potenzial, die Chirurgie zu verbessern. Der Einsatz tragbarer Geräte zur Fernüberwachung von Patienten, die eine Beurteilung von Patienten über die herkömmlichen persönlichen Begegnungen mit dem Gesundheitssystem hinaus ermöglichen, birgt große Chancen für die Verbesserung der postoperativen Versorgung, indem sie eine Fernbeurteilung von Operationswunden, Funktionsstatus, Schmerzkontrolle usw. ermöglicht klinische Verschlechterung frühzeitig erkennen. Es gibt zunehmend Hinweise darauf, dass diese Form der Datenerfassung möglicherweise die Komplikationsraten senken kann17. In unserer Sammlung sind Mori et al. Nutzen Sie eine digitale Gesundheitsplattform, um die Nuancen der postoperativen Genesung zu Hause bei herzchirurgischen Patienten besser zu verstehen, weit über die reinen klinischen Ereignisse hinaus, die bei postoperativen Notaufnahmen oder Klinikbesuchen erfasst werden18.

Neben dem Verständnis des postoperativen Verlaufs insgesamt zeigen neuere Arbeiten, dass die Fernüberwachung von Patienten die Art und Weise der postoperativen Versorgung verändern kann. Eine randomisierte Kontrollstudie kommt zu dem Ergebnis, dass die postoperative Überwachung von Infektionen an der Operationsstelle mit einem Smartphone genauso effektiv ist wie die persönliche Nachuntersuchung19, was darauf hindeutet, dass der Einsatz tragbarer Geräte zur Fernüberwachung von Patientenwunden sicher und effizient sein und die Inanspruchnahme von Gesundheitsdiensten reduzieren kann . Eine andere Studie zeigt, dass der Einsatz einer berührungslosen Videokamera zur Überwachung der Vitalfunktionen dazu genutzt werden kann, frühe Anzeichen einer physiologischen Verschlechterung zu erkennen und als weniger störendes, effizienteres Frühwarnsystem zu fungieren20. Diese neuen Möglichkeiten könnten eine eventuelle Verlagerung des Kerns der postoperativen Versorgung vom Krankenhaus zurück in die häusliche Pflege ermöglichen; Einige große akademische medizinische Zentren haben bereits erfolgreiche Programme für chirurgische Heimkrankenhäuser mit digitaler Technologie eingerichtet, die es Patienten ermöglichen, sich sicher von der Operation in ihrem eigenen Zuhause zu erholen21.

Während es viele aufkommende digitale Technologien gibt, die für die Chirurgie vielversprechend sind, gibt es auch wichtige Vorsichtsmaßnahmen und Überlegungen für deren Verwendung.

Ein wichtiges Anliegen ist Gerechtigkeit. Bis heute bestehen Unterschiede in den chirurgischen Ergebnissen für Patienten, die ethnischen Minderheiten angehören und einen niedrigeren sozioökonomischen Status haben. Nur ein Beispiel ist die Wirbelsäulenchirurgie, wo das Risiko postoperativer Komplikationen bei schwarzen Patienten schätzungsweise um bis zu 61 % höher ist22. Ohne eine kritische Bewertung digitaler Technologien unter dem Gesichtspunkt der Gerechtigkeit könnten diese Ungleichheiten weiterhin bestehen bleiben. Halamka et al. betonen, wie wichtig es ist, vorhandene Tools zur Bias-Erkennung zu nutzen, um Unregelmäßigkeiten in Datensätzen und Algorithmen zu erkennen, bevor sie in der chirurgischen Praxis eingesetzt werden23.

Ein weiteres wichtiges Anliegen ist die Informationssicherheit. Operationssäle werden im Hinblick auf die technologische Ausgereiftheit und den Einsatz vernetzter Geräte immer zahlreicher. Chirurgische Roboter zum Beispiel werden weltweit immer häufiger eingesetzt und sind zunehmend auf ständige Konnektivität angewiesen, um Einblicke und Unterstützung in Echtzeit zu liefern. Gleichzeitig hat auch die Zahl der Cyberangriffe auf Krankenhäuser deutlich zugenommen24. Die schnelle Einführung hochentwickelter vernetzter Technologien in Operationssälen macht diese besonders anfällig für gezielte Angriffe, die Patienten schaden können. Ein wichtiger Beitrag in dieser Sammlung von Gordon et al. erklärt, wie Gesundheitssysteme die Risiken von Cybersicherheitsangriffen in Operationssälen mindern können, einschließlich der Minimierung der Echtzeitkonnektivität während chirurgischer Eingriffe auf das Notwendige, der Zusammenarbeit mit Anbietern bei der Entwicklung von Sicherheitsmaßnahmen und der Festlegung von Ausfallzeitenverfahren25.

Ein dritter wichtiger Aspekt ist die Festlegung, wie diese Technologien reguliert werden, um sicherzustellen, dass sie sicher und wirksam sind. Ein einzigartiges Element KI-gestützter Technologien ist ihre Fähigkeit, sich im Laufe der Zeit an neue Daten anzupassen. Dies kann zu unvorhergesehenen Leistungsschwankungen und letztendlich zu einem völlig anderen Werkzeug als dem ursprünglich genehmigten führen. Die US-amerikanische Food and Drug Administration (FDA) ermittelt derzeit, wie diese Instrumente am besten reguliert werden können. Sie entwickelten 2019 einen vorgeschlagenen Regulierungsrahmen26 und haben ihn seitdem verfeinert; Zuletzt haben sie im April 2023 einen neuen Leitlinienentwurf vorgelegt, der eine kontinuierliche Produktüberwachung während des gesamten Produktlebenszyklus mit realen Daten empfiehlt und kleine Leistungsanpassungen im Laufe der Zeit ermöglicht27.

Zu den größten Hindernissen für die weitverbreitete Einführung dieser Technologien in der Chirurgie gehört die begrenzte Evidenz ihrer klinischen Auswirkungen28. Beispielsweise haben nur wenige Studien eine Verbesserung der Pflege durch den Einsatz KI-gestützter Entscheidungsunterstützungstools gezeigt29. Zu den wichtigen Hindernissen für die klinische Wirkung gehören die Umsetzung der Ergebnisse des ML-Modells in klinisch umsetzbare Erkenntnisse und deren Integration in bestehende Arbeitsabläufe und klinische Entscheidungsprozesse15,21,30. Darüber hinaus müssen diese neuen Technologien auf eine Art und Weise entwickelt und evaluiert werden, die reproduzierbar, transparent und für die Benutzer interpretierbar ist, um ihr Vertrauen zu gewinnen30,31. Der Zugriff auf größere und vielfältigere Datensätze kann zur Lösung einiger dieser Probleme beitragen12.

Die Zahl neuer digitaler Technologien mit dem Potenzial, die chirurgische Versorgung zu verbessern, wächst rasant. Es gibt viele Anwendungsfälle und Technologien, die in dieser speziellen Sammlung nicht behandelt werden. Generative KI-Modelle wie GPT-4 und DALL-E 2 werden in der Gesundheitsliteratur gerade erst erforscht, doch ihre enormen Fähigkeiten haben ein breites Interesse an der Erforschung potenzieller Anwendungsfälle geweckt32,33. Als weiteres Beispiel kann der Einsatz von Umgebungsmonitoren in Operationssälen dazu beitragen, Qualitätskontrollprozesse zu automatisieren, medizinische Fehler zu verhindern und das allgemeine perioperative Situationsbewusstsein eines Operationsteams zu verbessern34.

Die Forschung in diesem Bereich sollte sich darauf konzentrieren, die Lücke zwischen der In-silico-Leistung und dem tatsächlichen klinischen Nutzen neuer digitaler Technologien zu schließen. Dazu gehört der Ausbau der Implementierungswissenschaft dieser Tools, deren Bewertung anhand realer Erkenntnisse und die weitere Erforschung neuer Anwendungen35. Gesundheitssysteme müssen damit beginnen, in das Fachwissen und die IT-Infrastruktur zu investieren, die für die Bereitstellung und Wartung dieser Tools erforderlich sind36. Die Erweiterung der Chirurgie durch diese neuen digitalen Technologien ist für den Fortschritt hin zu einer effizienteren und effektiveren Patientenversorgung notwendig.

Raza, MM, Venkatesh, KP, Diao, JA & Kvedar, JC Definieren der digitalen Chirurgie für die Zukunft. NPJ Digit Med. 5, 155 (2022).

Artikel PubMed PubMed Central Google Scholar

Vijayan, V., Connolly, JP, Condell, J., McKelvey, N. & Gardiner, P. Überprüfung tragbarer Geräte und Überlegungen zur Datenerfassung für vernetzte Gesundheit. Sensoren 21, 1–31 (2021).

Artikel Google Scholar

Riskin, DJ, Longaker, MT, Gertner, M. & Krummel, TM Innovation in der Chirurgie: eine historische Perspektive. Ann. Surg. 244, 686–693 (2006).

Artikel PubMed PubMed Central Google Scholar

Biffi, C. et al. Ein neuartiges KI-Gerät zur optischen Echtzeitcharakterisierung kolorektaler Polypen. npj Digital Medicine vol. 5 Vorabdruck unter https://doi.org/10.1038/s41746-022-00633-6 (2022).

Kim, H.-E. et al. Veränderungen in der Krebserkennung und falsch-positiven Erinnerung in der Mammographie mithilfe künstlicher Intelligenz: eine retrospektive Multireader-Studie. Lancet Digit Health 2, e138–e148 (2020).

Artikel PubMed Google Scholar

Maurer, LR et al. Trauma-Ergebnisprädiktor: ein interaktives Smartphone-Tool mit künstlicher Intelligenz zur Vorhersage der Ergebnisse bei Traumapatienten. J. Trauma-Akutversorgungschirurg. 91, 93–99 (2021).

Artikel PubMed Google Scholar

Bertsimas, D., Dunn, J., Velmahos, GC & Kaafarani, HMA Das chirurgische Risiko ist nicht linear: Ableitung und Validierung eines neuartigen, benutzerfreundlichen und auf maschinellem Lernen basierenden prädiktiven optimalen Baums für das Risiko von Notfalloperationen (POTTER) Taschenrechner. Ann. Surg. 268, 574–583 (2018).

Artikel PubMed Google Scholar

Corey, KM et al. Entwicklung und Validierung von Modellen für maschinelles Lernen zur Identifizierung chirurgischer Hochrisikopatienten mithilfe automatisch kuratierter elektronischer Patientenaktendaten (Pythia): eine retrospektive Studie an einem einzigen Standort. PLoS Med. 15, e1002701 (2018).

Artikel PubMed PubMed Central Google Scholar

Ren, Y. et al. Leistung eines Algorithmus für maschinelles Lernen, der Daten aus elektronischen Gesundheitsakten nutzt, um postoperative Komplikationen vorherzusagen und auf einer mobilen Plattform zu berichten. JAMA Network Open vol. 5 e2211973 Preprint unter https://doi.org/10.1001/jamanetworkopen.2022.11973 (2022).

Li, B. et al. Maschinelles Lernen in der Gefäßchirurgie: eine systematische Überprüfung und kritische Bewertung. NPJ Digit Med. 5, 7 (2022).

Artikel PubMed PubMed Central Google Scholar

Ward, TM et al. Computer Vision in der Chirurgie. Chirurgie 169, 1253–1256 (2021).

Artikel PubMed Google Scholar

Colborn, K., Brat, G. & Callcut, R. Predictive Analytics und künstliche Intelligenz in der Chirurgie – Chancen und Risiken. JAMA Surg. https://doi.org/10.1001/jamasurg.2022.5444 (2022).

Mascagni, P. et al. Computer Vision in der Chirurgie: vom Potenzial zum klinischen Wert. NPJ Digit Med. 5, 163 (2022).

Artikel PubMed PubMed Central Google Scholar

Lam, K. et al. Maschinelles Lernen zur Beurteilung technischer Fähigkeiten in der Chirurgie: eine systematische Überprüfung. NPJ-Ziffer. Med. 5, 24 (2022).

Artikel PubMed PubMed Central Google Scholar

Ma, R. et al. Chirurgische Gesten als Methode zur Quantifizierung der chirurgischen Leistung und zur Vorhersage von Patientenergebnissen. NPJ Digit Med. 5, 187 (2022).

Artikel PubMed PubMed Central Google Scholar

Yilmaz, R. et al. Kontinuierliche Überwachung der chirurgischen bimanuellen Expertise mithilfe tiefer neuronaler Netze in der Virtual-Reality-Simulation. npj Digital Medicine vol. 5 Vorabdruck unter https://doi.org/10.1038/s41746-022-00596-8 (2022).

Knight, SR et al. Mobile Geräte und tragbare Technologie zur Messung der Patientenergebnisse nach einer Operation: eine systematische Überprüfung. NPJ Digit Med. 4, 157 (2021).

Artikel PubMed PubMed Central Google Scholar

Mori, M., Dhruva, SS, Geirsson, A. & Krumholz, HM Charakterisierung von postoperativen Erholungsverläufen in mehreren Domänen nach Herzoperationen mithilfe einer digitalen Plattform. npj Digital Med. 5, 1–8 (2022).

Artikel Google Scholar

McLean, KA et al. Ferndiagnose einer Infektion an der Operationsstelle mithilfe einer mobilen digitalen Intervention: eine randomisierte kontrollierte Studie bei Patienten mit Notoperationen. NPJ Digit Med. 4, 160 (2021).

Artikel PubMed PubMed Central Google Scholar

Jorge, J. et al. Berührungslose physiologische Überwachung postoperativer Patienten auf der Intensivstation. NPJ Digit Med. 5, 4 (2022).

Artikel PubMed PubMed Central Google Scholar

Pathak, K., Marwaha, JS & Tsai, TC Die Rolle der digitalen Technologie in chirurgischen Heimkrankenhausprogrammen. npj Digital Med. 6, 1–6 (2023).

Artikel Google Scholar

Sanford, Z. et al. Rassenunterschiede bei den Operationsergebnissen nach einer Wirbelsäulenoperation: eine ACS-NSQIP-Analyse. Global Spine J. 9, 583–590 (2019).

Artikel PubMed Google Scholar

Halamka, J., Bydon, M., Cerrato, P. & Bhagra, A. Bekämpfung von Rassenunterschieden in der chirurgischen Versorgung mit maschinellem Lernen. NPJ Digit Med. 5, 152 (2022).

Artikel PubMed PubMed Central Google Scholar

Niki, O. 'brien, Saira, G., Arvind, S. & Mike, D. Cyberangriffe stellen eine dauerhafte und erhebliche Bedrohung für Gesundheitssysteme dar: Die Bildung muss dies widerspiegeln. Digit Health 8, 20552076221104665 (2022).

PubMed PubMed Central Google Scholar

Gordon, WJ, Ikoma, N., Lyu, H., Jackson, GP & Landman, A. Schutz der Verfahrenspflege – Überlegungen zur Cybersicherheit für Roboterchirurgie. npj Dig. Med. 5, 1–3 (2022).

Google Scholar

US-amerikanische FDA. Vorgeschlagener Regulierungsrahmen für Änderungen an auf künstlicher Intelligenz/maschinellem Lernen (KI/ML) basierender Software als Medizinprodukt (SaMD) – Diskussionspapier und Bitte um Feedback. https://www.fda.gov/files/medical%20devices/published/US-FDA-Artificial-Intelligence-and-Machine-Learning-Discussion-Paper.pdf (2019).

Zentrum für Geräte und radiologische Gesundheit. Empfehlungen zur Marketingeinreichung für einen vorab festgelegten Änderungskontrollplan für Gerätesoftwarefunktionen, die künstliche Intelligenz/maschinelles Lernen (KI/ML) unterstützen. US-amerikanische Lebensmittel- und Arzneimittelbehörde https://www.fda.gov/regulatory-information/search-fda-guidance-documents/marketing-submission-recommendations-predetermined-change-control-plan-artificial.

Loftus, TJ et al. Künstliche Intelligenz-gestützte Entscheidungsunterstützung in der Chirurgie: Stand der Technik und zukünftige Richtungen. Ann. Surg. https://doi.org/10.1097/SLA.0000000000005853.

Zhou, Q., Chen, Z.-H., Cao, Y.-H. & Peng, S. Klinische Wirkung und Qualität randomisierter kontrollierter Studien mit Interventionen zur Bewertung von Vorhersagetools für künstliche Intelligenz: eine systematische Überprüfung. npj Digital Medicine 4, 1–12 (2021).

Artikel Google Scholar

Lee, CK, Samad, M., Hofer, I., Cannesson, M. & Baldi, P. Entwicklung und Validierung eines interpretierbaren neuronalen Netzwerks zur Vorhersage der postoperativen Mortalität im Krankenhaus. NPJ Digit Med. 4, 8 (2021).

Artikel PubMed PubMed Central Google Scholar

Marwaha, JS et al. Bewertung der Qualität der Entwicklung und Berichterstattung in chirurgischen Vorhersagemodellen. JAMA Surg. https://doi.org/10.1001/jamasurg.2022.4488 (2022).

Artikel PubMed Google Scholar

Sarraju, A. et al. Angemessenheit von Empfehlungen zur Prävention von Herz-Kreislauf-Erkrankungen, die aus einem beliebten Online-Chat-basierten Modell der künstlichen Intelligenz stammen. JAMA https://doi.org/10.1001/jama.2023.1044 (2023).

ChatGPT: Wird es die Welt des Gesundheitswesens verändern? (2023).

Haque, A., Milstein, A. & Fei-Fei, L. Erhellen Sie die dunklen Räume des Gesundheitswesens mit Umgebungsintelligenz. Natur 585, 193–202 (2020).

Artikel CAS PubMed Google Scholar

Marwaha, JS & Kvedar, JC Überwindung der Kluft von der Modellleistung zur klinischen Wirkung: die Notwendigkeit, die Implementierung und Bewertung von KI zu verbessern. npj Digital Med. 5, 1–2 (2022).

Artikel Google Scholar

Marwaha, JS, Landman, AB, Brat, GA, Dunn, T. & Gordon, WJ Einsatz digitaler Gesundheitstools in großen, komplexen Gesundheitssystemen: Schlüsselüberlegungen für die Einführung und Implementierung. NPJ Digital Med. 5, 13 (2022).

Artikel Google Scholar

Referenzen herunterladen

JSM wird durch ein Stipendium der National Library of Medicine/National Institutes of Health (T15LM007092-30) und des Biomedical Informatics and Data Science Research Training (BIRT) Program der Harvard University unterstützt.

Beth Israel Deaconess Medical Center, Boston, MA, USA

Jayson S. Marwaha

Harvard Medical School, Boston, MA, USA

Jayson S. Marwaha, Marium M. Raza und Joseph C. Kvedar

Mass General Brigham, Boston, MA, USA

Joseph C. Kvedar

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Der ursprüngliche Entwurf wurde von JSM und MMR verfasst; herausgegeben von JCK Alle Autoren haben dem endgültigen Entwurf zugestimmt.

Korrespondenz mit Jayson S. Marwaha.

JCK ist Chefredakteur von NPJ Digital Medicine. JSM und MMR haben keine konkurrierenden Interessen zu erklären.

Dieser Beitrag wurde von den Gastredakteuren der Sondersammlung „Emerging Digital Technologies in Surgery“ verfasst und soll die Sammlung vorstellen.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Marwaha, JS, Raza, MM & Kvedar, JC Die digitale Transformation der Chirurgie. npj Ziffer. Med. 6, 103 (2023). https://doi.org/10.1038/s41746-023-00846-3

Zitat herunterladen

Eingegangen: 25. Februar 2023

Angenommen: 15. Mai 2023

Veröffentlicht: 31. Mai 2023

DOI: https://doi.org/10.1038/s41746-023-00846-3

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt