Inteligência artificial na anestesiologia: percepções, aplicações e desafios

##plugins.themes.bootstrap3.article.sidebar##

PDF
Publicado Feb 3, 2025
DOI https://doi.org/10.25248/reas.e18993.2025

##plugins.themes.bootstrap3.article.main##

Pedro Henrique Alves Zaniboni Guzzo
IDOMED
Romária Bárbara da Costa Bezerra
Univerdade Federal do Rio Grande Do Norte
Maria Thaís Lucena Rodrigues Valente
Centro Universitário Christus (Unichristus)
João Emmanuel dos Santos Bitencourt Mota
Universidade Federal de Sergipe (UFS)
Pedro Vinicius Araújo Viana
Universidade Estácio de Sá (UNESA)
Suellen Maroco Cruzeiro Lombello
Universidade Federal de Juiz de Fora - Campus Governador Valadares
Silvia Jordania Barboza da Silva
Fundación Héctor Alejandro Barceló (FHAB)
Júlia Castelo Branco Vilar Silva
Centro Universitário São Camilo (CUSC)
Maria Luiza Damo Vedana
Universidade Federal do Pampa (UNIPAMPA)
Neidejany de Assunção do Sacramento
Universidad Nacional de Rosario (UNR)

Resumo

Objetivo: Analisar a aplicabilidade da Inteligência Artificial (IA) na anestesiologia, destacando seus benefícios e desafios na prática médica. Métodos: Revisão integrativa realizada na base de dados PubMed Central (PMC), utilizando os termos "artificial intelligence" e "anesthesiology", abrangendo o período de 2019 a 2024. Foram identificados 1.150 artigos, dos quais 15 foram selecionados para análise detalhada. Resultados: A IA demonstrou várias aplicações importantes na anestesiologia, como o aprimoramento das técnicas sedativas, a melhoria na avaliação de via aérea difícil antes da intubação e a previsão de complicações em procedimentos invasivos. Além disso, a IA tem o potencial de facilitar o acesso a informações médicas, promovendo maior compreensão do paciente sobre sua saúde. Considerações finais: Embora a IA ofereça inúmeras vantagens na anestesiologia, são necessários mais estudos para explorar suas implicações éticas e desafios tecnológicos. A falta de educação adequada sobre IA pode dificultar sua adoção na prática anestesiológica. No entanto, a IA tem potencial para ser uma ferramenta complementar valiosa, auxiliando o anestesiologista e otimizando o sucesso terapêutico, sem substituir o papel humano no processo decisório.

##plugins.themes.bootstrap3.article.details##

Como Citar
GuzzoP. H. A. Z., BezerraR. B. da C., ValenteM. T. L. R., MotaJ. E. dos S. B., VianaP. V. A., LombelloS. M. C., SilvaS. J. B. da, SilvaJ. C. B. V., VedanaM. L. D., & SacramentoN. de A. do. (2025). Inteligência artificial na anestesiologia: percepções, aplicações e desafios. Revista Eletrônica Acervo Saúde, 25, e18993. https://doi.org/10.25248/reas.e18993.2025
Edição
v. 25 (2025): Revista Eletrônica Acervo Saúde (ISSN 2178-2091) | Volume 25 | 2025
Seção
Revisão Bibliográfica

Copyright © | Todos os direitos reservados.

A revista detém os direitos autorais exclusivos de publicação deste artigo nos termos da lei 9610/98.

Reprodução parcial
É livre o uso de partes do texto, figuras e questionário do artigo, sendo obrigatória a citação dos autores e revista.

Reprodução total
É expressamente proibida, devendo ser autorizada pela revista.

Referências

1. CAI N, et al. Examining the impact perceptual learning artificial-intelligence-based on the incidence of paresthesia when performing the ultrasound-guided popliteal sciatic block: simulation-based randomized study. BMC Anesthesiology. 2022; 22(1): 392.

2. CHEN J, et al. Feasibility of intelligent drug control in the maintenance phase of general anesthesia based on convolutional neural network. CellPress Heliyon. 2023; 9(1): 12481.

3. DE ROSA SB, et al. The Future of Artificial Intelligence Using Images and Clinical Assessment for Difficult Airway Management. Anesthesia & Analgesia. 2022; 10: 1213.

4. FROESE L, et al. Computer Vision for Continuous Bedside Pharmacological Data Extraction: A Novel Application of Artificial Intelligence for Clinical Data Recording and Biomedical Research. Frontiers in Big Data. 2021; 4: 1-10.

5. GARG S e MUKUL CK. Role of artificial intelligence in perioperative monitoring in anaesthesia. Indian Journal of Anaesthesia. 2024; 68(1): 87-92.

6. GONDODE P, et al. Comparative Analysis of Accuracy, Readability, Sentiment, and Actionability: Artificial Intelligence Chatbots (ChatGPT and Google Gemini) versus Traditional Patient Information Leaflets for Local Anesthesia in Eye Surgery. British and Irish Orthoptic Journal. 2024; 20(1):1 83–192.

7. GONZALEZ-CAVA JM, et al. Machine learning based method for the evaluation of the Analgesia Nociception Index in the assessment of general anesthesia. Computers in Biology and Medicine. 2020; 118: 103645.

8. GUNGOR I, et al. A real-time anatomy identification via tool based on artificial intelligence for ultrasound-guided peripheral nerve block procedures: an accuracy study. Journal of Anesthesia. 2021; 35: 591-594.

9. HAIASAKA T, et al. Creation of an artificial intelligence model for intubation difficulty classification by deep learning (convolutional neural network) using face images: an observational study. Journal of Intensive Care. 2021; 9: 38.

10. HENCKERT D, et al. Attitudes of Anesthesiologists toward Artificial Intelligence in Anesthesia: A Multicenter, Mixed Qualitative–Quantitative Study. Journal of Clinical Medicine. 2023; 12: 2096.

11. KANG AR, et al. Development of a prediction model for hypotension after induction of anesthesia using machine learning. PLOS ONE. 2020; 15(4): 231172.

12. KANG H, et al. Machine-Learning Model for the Prediction of Hypoxaemia during Endoscopic Retrograde Cholangiopancreatography under Monitored Anaesthesia Care. Yonsei Medical Journal. 2023; 64(1): 25.

13. LOPES S, et al. Artificial intelligence and its clinical application in Anesthesiology: a systematic review. Journal of Clinical Monitoring and Computing. 2024; 38: 247–259.

14. MACIAG TT, et al. Machine learning in anesthesiology: Detecting adverse events in clinical practice. Health Informatics Journal. 2022; 28(3): 14604582221112855.

15. MIKA S, et al. Artificial Intelligence-Supported Ultrasonography in Anesthesiology: Evaluation of a Patient in the Operating Theatre. Journal of Personalized Medicine. 2024; 14(3): 310.

16. NAIK NB, et al. Scope of artificial intelligence in airway management. Indian Journal of Anaesthesia. 2024; 68(1): 105-110.

17. RAMASWAMY SM, et al. Frontal electroencephalogram based drug, sex, and age independent sedation level prediction using non-linear machine learning algorithms. Journal of Clinical Monitoring and Computing. 2020; 34(4): 1-10.

18. SONG Z, et al. Knowledge, Attitudes and Practices Among Anesthesia and Thoracic Surgery Medical Staff Toward Ai-PCA. Journal of Multidisciplinary Healthcare. 2024; 17: 3295-3304.

19. WANG G, et al. A fully-automatic semi-supervised deep learning model for difficult airway assessment. Heliyon. 2023; 9: 15629.

20. XU C, et al. Evaluating the effect of an artificial intelligence system on the anesthesia quality control during gastrointestinal endoscopy with sedation: a randomized controlled trial. BMC Anesthesiology. 2022; 22: 313.