Palabras clave
Práctica médica
Anestesiología
Cómo citar
Copyright © | Todos los derechos reservados.
La revista posee los derechos de autor exclusivos para la publicación de este artículo en los términos de la ley brasileña 9610/98.
Reproducción parcial
El uso de partes de los textos, figuras y cuestionario del artículo es libre, siendo obligatoria la citación de los autores y revista.
Reproducción total
Está expresamente prohibido y debe ser autorizado por la revista.
Resumen
Objetivo: Analizar la aplicabilidad de la Inteligencia Artificial (IA) en anestesiología, destacando sus beneficios y desafíos en la práctica médica. Métodos: Revisión integrativa realizada en la base de datos PubMed Central (PMC), utilizando los términos "inteligencia artificial" y "anestesiología" para el período de 2019 a 2024. Se identificaron 1.150 artículos, de los cuales 15 fueron seleccionados para un análisis detallado. Resultados: La IA demostró varias aplicaciones importantes en anestesiología, como la mejora de las técnicas sedativas, el perfeccionamiento de la evaluación de la vía aérea difícil antes de la intubación y la predicción de complicaciones en procedimientos invasivos. Además, la IA tiene el potencial de facilitar el acceso a la información médica, promoviendo una mejor comprensión del paciente sobre su salud. Conclusiones: Aunque la IA ofrece numerosas ventajas en anestesiología, se necesitan más estudios para explorar sus implicaciones éticas y desafíos tecnológicos. La falta de educación adecuada sobre IA puede dificultar su adopción en la práctica anestesiológica. Sin embargo, la IA tiene el potencial de ser una herramienta complementaria valiosa, ayudando al anestesiólogo y optimizando el éxito terapéutico, sin reemplazar el papel humano en la toma de decisiones.
Referencias
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.
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.
DE ROSA SB, et al. The Future of Artificial Intelligence Using Images and Clinical Assessment for Difficult Airway Management. Anesthesia & Analgesia. 2022; 10: 1213.
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.
GARG S e MUKUL CK. Role of artificial intelligence in perioperative monitoring in anaesthesia. Indian Journal of Anaesthesia. 2024; 68(1): 87-92.
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.
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.
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.
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.
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.
KANG AR, et al. Development of a prediction model for hypotension after induction of anesthesia using machine learning. PLOS ONE. 2020; 15(4): 231172.
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.
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.
MACIAG TT, et al. Machine learning in anesthesiology: Detecting adverse events in clinical practice. Health Informatics Journal. 2022; 28(3): 14604582221112855.
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.
NAIK NB, et al. Scope of artificial intelligence in airway management. Indian Journal of Anaesthesia. 2024; 68(1): 105-110.
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.
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.
WANG G, et al. A fully-automatic semi-supervised deep learning model for difficult airway assessment. Heliyon. 2023; 9: 15629.
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.