Skip to main content
SpringerLink
Log in

Kognitive Chirurgie/Chirurgie 4.0

Der Weg zur individualisierten Chirurgie

Cognitive surgery/surgery 4.0

The way to individualized surgery

  • Leitthema
  • Published:
coloproctology Aims and scope

Zusammenfassung

Kognitive Chirurgie steht für die Vision einer Chirurgie, die sich ergänzt durch maschinelle Kognition, also durch technisch-kognitive Systeme, die nicht nur vorprogrammierte Aufgaben ausführen, sondern eine gegebene Situation verstehen, angepasst handeln und daraus lernen – ähnlich einem menschlichen Assistenten. Dafür muss in einem Operationssaal das OP-Team mit Maschinen und Prozessen vernetzt werden, indem kontinuierlich über Sensoren und Geräte der Behandlungsverlauf erfasst und ausgewertet wird. Darauf aufbauend wird eine situationsbezogene Assistenz realisiert – beispielsweise eine intraoperative Komplikationsvorhersage oder robotergestützte Kameraführung. Beispiele aus der Forschung demonstrieren das Potenzial solcher Systeme. Dieser Wandel kann aber nur in interdisziplinärer Zusammenarbeit erfolgen; die Anforderungen an kognitive Assistenzsysteme müssen von Chirurgen in enger Kooperation mit Informatikern und Ingenieuren definiert werden. Der Chirurg soll nicht ersetzt, sondern mit Hilfe von kognitiver Assistenz unterstützt werden mit dem Ziel einer qualitativ höherwertigen Patientenversorgung.

Abstract

Cognitive surgery is the vision of a surgeon being guided by assistance systems that not only perform preprogrammed tasks but understand a given situation, act on it and learn from it, similar to a human assistant. In a networked operating room, the operation room team must be linked to machines and processes by continuously recording and evaluating the course of treatment via sensors and medical devices. Based on that a context-aware assistance is realized, for example, intraoperative prediction of complications or robot-assisted camera guidance. Examples from research demonstrate the potential of such systems; however, this paradigm shift can only occur through interdisciplinary collaboration, where the requirements for cognitive assistance systems must be defined by surgeons in close cooperation with computer scientists and engineers. The surgeon should not be replaced but supported by cognitive assistance with the goal to improve patient care.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Log in via an institution

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Institutional subscriptions

Abb. 1
Abb. 2
Abb. 3

Literatur

  1. Aksamentov I, Twinanda AP, Mutter D, Marescaux J, Padoy N (2017) Deep neural networks predict remaining surgery duration from cholecystectomy videos. In: Medical image computing and computer-assisted intervention, S 586–593

    Google Scholar 

  2. Bernhardt S, Nicolau SA, Soler L, Doignon C (2017) The status of augmented reality in laparoscopic surgery as of 2016. Med Image Anal 37:66–90

    Article  PubMed  Google Scholar 

  3. Birkmeyer JD, Finks JF, O’reilly A, Oerline M, Carlin AM, Nunn AR, Birkmeyer NJ et al (2013) Surgical skill and complication rates after bariatric surgery. N Engl J Med 369(15):1434–1442

    Article  CAS  PubMed  Google Scholar 

  4. Bihlmaier A (2016) Learning dynamic spatial relations. Springer Vieweg, Wiesbaden

    Book  Google Scholar 

  5. Blum T, Padoy N, Feußner H, Navab N (2008) Modeling and online recognition of surgical phases using hidden markov models. In: Medical image computing and computer-assisted intervention, S 627–635

    Google Scholar 

  6. Bodenstedt S, Wagner M, Mayer B, Stemmer K, Kenngott H, Müller-Stich B, Speidel S et al (2016) Image-based laparoscopic bowel measurement. Int J Comput Assist Radiol Surg 11(3):407–419

    Article  PubMed  Google Scholar 

  7. Cleary K, Peters TM (2010) Image-guided interventions: technology review and clinical applications. Annu Rev Biomed Eng 12:119–142

    Article  CAS  PubMed  Google Scholar 

  8. Dergachyova O, Bouget D, Huaulmé A, Morandi X, Jannin P (2016) Automatic data-driven real-time segmentation and recognition of surgical workflow. Int J Comput Assist Radiol Surg 11(6):1081–1089

    Article  PubMed  Google Scholar 

  9. De Rooij T, Klompmaker S, Hilal MA, Kendrick ML, Busch OR, Besselink MG (2016) Laparoscopic pancreatic surgery for benign and malignant disease. Nat Rev Gastroenterol Hepatol 13(4):227–238

    Article  PubMed  Google Scholar 

  10. DiPietro R, Lea C, Malpani A, Ahmidi N, Vedula SS, Lee GI, Hager GD et al (2016) Recognizing surgical activities with recurrent neural networks. In: Medical image computing and computer-assisted intervention, S 551–558

    Google Scholar 

  11. Farahani N, Post R, Duboy J, Ahmed I, Kolowitz B, Krinchai T, Monaco S, Fine J, Hartman D, Pantanowitz L (2016) Exploring virtual reality technology and the Oculus Rift for the examination of digital pathology slides. J Pathol Inform 7(1):22

    Article  PubMed  PubMed Central  Google Scholar 

  12. Franke S, Meixensberger J, Neumuth T (2013) Intervention time prediction from surgical low-level tasks. J Biomed Inform 46(1):152–159

    Article  PubMed  Google Scholar 

  13. Gibaud B, Penet C, Pierre J (2014) OntoSPM: a core ontology of surgical procedure models. In: Surgetica

    Google Scholar 

  14. Guédon AC, Paalvast M, Meeuwsen FC, Tax DM, van Dijke AP, Wauben LSGL, van den Dobbelsteen JJ (2016) It is time to prepare the next patient’real-time prediction of procedure duration in laparoscopic cholecystectomies. J Med Syst 40(12):271

    Article  PubMed  PubMed Central  Google Scholar 

  15. OR.NET e.V. (2017) http://ornet.org. Zugegriffen: 30. Nov. 2017

  16. https://innoplan.uni-hohenheim.de. Zugegriffen: 30. Nov. 2017

  17. http://www.op41.de. Zugegriffen. 30. Nov. 2017

  18. http://www.cognitionguidedsurgery.de. Zugegriffen: 30. Nov. 2017

  19. Kagermann H, Lukas WD, Wahlster W (2011) Industrie 4.0: Mit dem Internet der Dinge auf dem Weg zur 4. industriellen Revolution. VDI Nachr 13:11

    Google Scholar 

  20. Katic D, Julliard C, Wekerle A, Kenngott H, Mueller-Stich B, Dillmann R, Speidel S, Jannin P, Gibaud B (2015) LapOntoSPM: an ontology for laparoscopic surgeries and its application to surgical phase recognition. Int J Comput Assist Radiol Surg 10(9):1427. https://doi.org/10.1007/s11548-015-1222-1

    Article  PubMed  Google Scholar 

  21. Katić D, Wekerle AL, Görtler J, Spengler P, Bodenstedt S, Röhl S, Dillmann R et al (2013) Context-aware augmented reality in laparoscopic surgery. Comput Med Imaging Graph 37(2):174–182

    Article  PubMed  Google Scholar 

  22. Kenngott HG, Apitz M, Wagner M, Preukschas AA, Speidel S, Müller-Stich BP (2017) Paradigm shift: cognitive surgery. Innov Surg Sci. https://doi.org/10.1515/iss-2017-0012

    Google Scholar 

  23. Maier-Hein L, Vedula SS, Speidel S, Navab N, Kikinis R, Park A, Hashizume M et al (2017) Surgical data science for next-generation interventions. Nat Biomed Eng 1(9):691

    Article  Google Scholar 

  24. März K, Hafezi M, Weller T, Saffari A, Nolden M, Fard N, Gharabaghi N et al (2015) Toward knowledge-based liver surgery: holistic information processing for surgical decision support. Int J Comput Assist Radiol Surg 10(6):749–759

    Article  PubMed  Google Scholar 

  25. Obermeyer Z, Emanuel EJ (2016) Predicting the future—big data, machine learning, and clinical medicine. N Engl J Med 375(13):1216

    Article  PubMed  PubMed Central  Google Scholar 

  26. Shademan A, Decker RS, Opfermann JD, Leonard S, Krieger A, Kim PC (2016) Supervised autonomous robotic soft tissue surgery. Sci Transl Med 8(337):337ra64–337ra64

    Article  PubMed  Google Scholar 

  27. Reichard D, Häntsch D, Bodenstedt S, Suwelack S, Wagner M, Kenngott H, Speidel S et al (2017) Projective biomechanical depth matching for soft tissue registration in laparoscopic surgery. Int J Comput Assist Radiol Surg 12(7):1101. https://doi.org/10.1007/s11548-017-1613-6

    Article  PubMed  Google Scholar 

  28. Singla R, Edgcumbe P, Pratt P, Nguan C, Rohling R (2017) Intra-operative ultrasound-based augmented reality guidance for laparoscopic surgery. Healthc Technol Lett 4(5):204–209

    Article  PubMed  PubMed Central  Google Scholar 

  29. Twinanda AP, Shehata S, Mutter D, Marescaux J, de Mathelin M, Padoy N (2017) Endonet: a deep architecture for recognition tasks on laparoscopic videos. IEEE Trans Med Imaging 36(1):86–97

    Article  PubMed  Google Scholar 

  30. Wirkert SJ, Vemuri AS, Kenngott HG, Moccia S, Götz M, Mayer BF, Maier-Hein L et al (2017) Physiological parameter estimation from multispectral images unleashed. Medical Image Computing and Computer-Assisted Intervention. Lecture Notes in Computer Science, S 134–141

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Translationale Chirurgische Onkologie, Nationales Centrum für Tumorerkrankungen (NCT) Dresden, Fetscherstraße 74/PF 41, 01307, Dresden, Deutschland

    S. Speidel &  S. Bodenstedt

  2. Computer-assistierte medizinische Interventionen, Deutsches Krebsforschungszentrum (DKFZ), Heidelberg, Deutschland

    L. Maier-Hein

  3. Klinik für Allgemein‑, Viszeral- und Transplantationschirurgie, Universitätsklinikum Heidelberg, Heidelberg, Deutschland

    H. Kenngott

Authors
  1. S. Speidel
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. S. Bodenstedt
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. L. Maier-Hein
    View author publications

    You can also search for this author in PubMed Google Scholar

  4. H. Kenngott
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to S. Speidel.

Ethics declarations

Interessenkonflikt

S. Speidel und L. Maier-Hein arbeiten gemeinsam mit der Firma SAP, Karl Storz, Siemens Healthineers und mbits im OP 4.1-Projekt (gefördert durch das Bundesministerium für Wirtschaft und Energie) und H. Kenngott arbeitet mit der Firma Karl Storz im Rahmen des InnOPlan-Projekts (gefördert durch das Bundesministerium für Wirtschaft und Energie). S. Bodenstedt gibt an, dass kein Interessenkonflikt besteht.

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

Rights and permissions

Reprints and permissions

About this article

Check for updates. Verify currency and authenticity via CrossMark

Cite this article

Speidel, S., Bodenstedt, S., Maier-Hein, L. et al. Kognitive Chirurgie/Chirurgie 4.0. coloproctology 40, 114–118 (2018). https://doi.org/10.1007/s00053-018-0236-x

Download citation

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s00053-018-0236-x

Schlüsselwörter

Keywords

Search

Navigation