Ультразвуковая технология автоматического отслеживания местоположения нерва в практике обезболивания

Перевод статьи: "Automatic Nerve Tracing Ultrasound Technology in Pain Practice".

Введение

Согласно определению Международной ассоциации боли, «боль» – это неприятный сенсорный и эмоциональный опыт, связанный с фактическим или возможным повреждением ткани или напоминающий о подобной связи [1]. То есть боль воспринимается как уникальный и персонализированный симптом [1, 2]. Что касается оценки боли, специалисты по лечению боли часто наблюдают пациентов с жалобами на сильную боль в нижней части спины при том, что невозможно оказывается обнаружить серьезное поражение, соответствующее степени тяжести боли, при использовании МРТ или другой техники визуализации. Речь может идти о случаях так называемых соматоформных [2] или даже симулятивных расстройств в прошлом; но уверены ли специалисты по лечению боли, что речь идет не о настоящей боли? Кроме того, даже если специалисты по лечению боли избавились от причины боли, в долгосрочной перспективе нельзя полностью устранить симптом (переход в хроническую форму), что приводит к развитию вторичных катастрофических нежелательных явлений, например депрессии и бессонницы [2, 3]. Благодаря таким субъективным и уникальным характеристикам боли ее оценка и лечение всегда затруднительны. Поэтому задача специалистов по лечению боли заключается в том, чтобы начать купировать болевой синдром, признавая его наличие и проявляя эмпатию к пациентам.

Несмотря на субъективность боли, современные технологии внесли существенный вклад в формирование объективных способов диагностики и лечения различных болевых расстройств. В данном вопросе важное значение имеет искусственный интеллект (ИИ) [4]. Технология ИИ и машинное обучение предлагают алгоритмы для прогнозирования класса фенотипа боли с учетом сложной системы полученных параметров [4] и предикторов ответа на прегабалин при широком спектре невропатической боли [5]. Эффективность ИИ при интерпретации медицинского изображения хорошо задокументирована [6]. Специалисты в области боли могут с успехом применять технологию ИИ при обезболивании под визуальным контролем. Ультразвуковое исследование (УЗИ) – один из наиболее эффективных методов использования технологии ИИ. При работе с болью с начала 2000-х годов популярностью пользовались такие методы, как внутрисуставные инъекции под ультразвуковым контролем, блокада периферических нервов и даже нейроаксиальная блокада [7, 8]. В сравнении с рентгеноскопией УЗИ имеет несколько практических преимуществ, например отсутствие лучевой нагрузки, возможность динамической оценки и простота использования [8]. Следовательно, для специалистов в области боли и практикантов очень важно изучать ультразвуковую анатомию для проведения обезболивания под контролем ультразвука. Блокада периферических нервов под ультразвуковым контролем обычно проводится при регионарной анестезии и купировании боли. Для успешного проведения процедуры необходимо начать сканирование целевого нерва, отслеживая его с помощью ультразвукового датчика с последующим сканированием нервного пути. Так, клиницисты могут изучать местоположение интересующего нерва и прилежащих мышц, связок, сухожилий, сосудов и костей. На этапе, предшествующем сканированию, практикующие врачи могут сталкиваться с неоднозначными случаями, когда трудно отличить нерв от сухожилия при блокаде срединного нерва в запястном канале. Более того, в ходе обследования, предшествующего сканированию, у начинающих врачей могут возникнуть трудности в визуализации интересующего нерва, если рядом с ними нет опытного специалиста.

Что если бы технология ИИ могла помочь нам отследить искомые нервы во время УЗИ и даже мгновенно идентифицировать цель при размещении датчика рядом с зоной интереса? Передовая технология NerveTrack™, разработанная компанией Samsung Medison, призвана помочь врачам во время процедур обезболивания и правильно идентифицировать искомую структуру, особенно такие нервы, как срединный нерв, локтевой нерв и т.д. Это встроенное коммерчески доступное программное обеспечение, устанавливаемое в ультразвуковой системе высокого разрешения Samsung (Samsung Medison Co. Ltd., Сеул, Корея). Оно было создано с использованием технологии ИИ глубокого обучения, которому предоставили для прочтения сотни тысяч обработанных ультразвуковых изображений для каждого целевого нерва. Просто размещая ультразвуковой датчик поблизости от области интереса, с помощью технологии NerveTrack™ можно найти нужный нерв, автоматически пропуская этап предварительного сканирования. Более того, она помогает мгновенно найти нерв, отслеживая его. Ожидается, что технология NerveTrack™ позволит врачам и практикантам выполнять процедуры под контролем ультразвука эффективно и правильно, без повреждений соседних сосудов и сухожилий, уменьшая тем самым время проведения процедуры и повышая безопасность пациентов. Кроме того, данная технология может способствовать выполнению обучающей функции в медицине боли, помогая практикантам, ординаторам и врачам, занимающимся лечением боли, научиться распознавать нужную структуру, уменьшая количество ошибок на практике в процессе принятия медицинских решений во время процедур.

В настоящем сообщении мы рассматриваем виртуальный случай визуализации срединного нерва с помощью технологии NerveTrack™ наряду с промежуточными результатами опроса о применении данной технологии, в котором участвовали ординаторы отделения анестезиологии и медицины боли, а также студенты медицинских вузов II и III курсов и который был проведен в больнице медицинского колледжа Сеульского национального университета.

Случай и опрос

Ущемление срединного нерва верхней конечности возможно в нескольких точках. Сюда входят участки между головками плечевой и локтевой костей круглого пронатора, под серией фиброзных дуг поверхностного сгибателя пальцев кисти, в области прикрепления апоневроза двуглавой мышцы плеча или в связке Струзера, а также, чаще всего, участок под поперечной связкой запястья, описываемый как синдром запястного канала (СЗК) [9]. СЗК – заболевание, выражающееся в ущемлении и воспалении срединного нерва. Распространенность заболевания составляет 7,8%, она выше у женщин (10,0%), чем у мужчин (5,8%), в зависимости от риска, связанного с профессией [10]. СЗК диагностируется с учетом признаков и симптомов, обнаруженных в ходе клинического обследования с проведением электрофизиологических исследований или без них [9–11]. Кроме того, для изучения морфологии срединного нерва и направления иглы к срединному нерву часто используют УЗИ [10, 11]. Обнаруженное в ходе УЗИ увеличение срединного нерва считается наиболее чувствительным и специфическим критерием, который сопровождается сокращением удерживателя сгибателей в направлении ладони и дистальным уплощением нерва [11].

Обследование виртульного пациента проводилось в положении сидя с рукой, лежащей на валике из полотенца, ладонью кверху. На первом этапе ультразвукового обследования получена поперечная сонограмма канала запястья при размещении высокочастотного линейного датчика на уровне проксимального ряда костей запястья у входа в запястный канал. В канале запястья мы идентифицировали девять сухожилий (поверхностные сгибатели четырех пальцев кисти, глубокие сгибатели четырех пальцев кисти и четыре сухожилия длинного сгибателя большого пальца кисти) от гороховидной кости (в медиальном направлении) до ладьевидной кости (в латеральном направлении) [11], прикрытые поперечной связкой запястья (рис. 1).

Хотя опытные специалисты легко определяют местоположение срединного нерва в проксимальной части запястного канала, новичкам такая задача простой не кажется. На примере 40 ординаторов и студентов медицинских вузов, которые не были знакомы с использованием ультразвука в практике обезболивания, мы выяснили, могут ли новички определить местоположение срединного нерва после экспериментального этапа использования системы автоматического определения местоположения нерва во время ультразвукового сканирования без дополнительного обучения. Только 6 участников правильно определили местоположение нерва. При этом они по-прежнему демонстрировали замешательство, не были уверены и не могли объяснить, какие структуры окружали данный нерв. 34 оставшихся практиканта спутали срединный нерв с сухожилием длинного сгибателя большого пальца кисти (n = 15), сухожилием лучевого сгибателя запястья (n = 13), одним из сухожилий глубокого сгибателя пальцев кисти (n = 4), одним из сухожилий поверхностного сгибателя пальцев кисти (n = 1) и сухожилием локтевого сгибателя запястья (n = 1). Затем им показали, что срединный нерв расположен в области предплечья, и провели тот же тест. 19 участников правильно идентифицировали нерв в проксимальной части канала запястья. Затем для них провели обучение, активировав функцию NerveTrack™ (рис. 2).

На этом этапе 37 практикантов правильно, уверенно и моментально определяли местоположение срединного нерва в предплечье из любой точки. Все участники указали, что технология оказалась полезной (n = 29) или очень полезной (n = 11) во время обучающего процесса. До того, как пройти обучение с использованием технологии NerveTrack™, баллы, обозначающие уверенное определение срединного нерва по шкале от 1 (совсем не уверен) до 5 (полностью уверен), варьировали от 1 до 2 (не очень уверен). После обучения с использованием технологии их уверенная оценка местоположения срединного нерва даже без активации оценивалась как 3 (n = 7) – отчасти уверен, 4 (n = 26) – достаточно уверен и 5 (n = 5) – полностью уверен. Два практиканта указали на отсутствие уверенности при использовании NerveTrack™.

Заключение

Ниже описано предполагаемое воздействие ИИ на медицину боли. ИИ и технология глубокого обучения помогли осуществить такие возможности, как:

1. Диагностика и оценка боли, т.е. обозначение возможности выявления клинических характеристик при разных фенотипах хронической боли.
2. Лечение боли, например при проведении процедур под контролем ультразвука; технология ИИ помогает врачам в более эффективном обнаружении нужных структур, чтобы не допустить повреждения других критических структур.
3. Обучение медицине боли, например помощь стажерам, ординаторам и специалистам, занимающимся лечением боли, в ознакомлении с процессом диагностирования и обнаружения целевой структуры во время процедур, согласно результатам нашего обследования.

Технология ИИ позволит улучшить клинический эффект и уменьшить количество ошибок при обезболивании. Некоторые полагают, что в будущем врачей заменят машины, использующие ИИ. Тем не менее это заблуждение, а на самом деле получается все наоборот. Доступность большого объема данных уже привела к тому, что ИИ начал использоваться в здравоохранении для разработки прогнозируемых алгоритмов, которые помогают врачам (а не заменяют их), поощряют пытливость ума, продвигают сотрудничество и устраняют рутинные задачи. Мы считаем, что медицина должна развиваться наряду с техническим прогрессом, как и гуманизм. Искусственный интеллект в здравоохранении позволит улучшить технический прогресс в клинической диагностике, а также процесс принятия решений путем автоматической оценки состояния пациента и избавления от ошибок со стороны эксперта.

Поддерживаемые системы: HS40

Литература

1. Raja S.N., Carr D.B., Cohen M. et al. The revised International Association for the Study of Pain definition of pain: concepts challenges, and compromises // Pain. 2020; 161: 1976–1982.
2. Treed R.D., Rief W., Berke A. et al. Chronic pain as a symptom or a disease: the IASP classification of chronic pain for the International Classification of Diseases (ICD-11) // Pain. 2019; 160: 19–27.
3. Malfliet A., Coppieters I., Van Wilgen P. et al. Brain changes associated with cognitive and emotional factors in chronic pain: A systematic review // Eur J Pain. 2017; 21: 769–786.
4. Lotsch J., Ultsch A. Machine learning in pain research // Pain. 2018; 159: 623-630.
5. Emir B., Kuhn M., Johnson K. et al. Predictors of response to pregabalin for broad neuropathic pain: results from 11 machine leaning methods from a 6-week German observational study // J Pain. 2016; 17: S78.
6. Hosny A., Parmar C., Quackenbush J. et al. Artificial intelligence in radiology // Nat Rev Cancer. 2018; 18: 500–510.
7. Krediet A.C., Moayeri N., van Geffen G.J. et al. Different approaches to ultrasound-guided thoracic paravertebral block: An illustrated review // Anesthesiology. 2015; 123: 459–474.
8. Ryu J.H., Lee C.S., Kim Y.C. et al. Ultrasound-assisted versus fluoroscopic-guided lumbar sympathetic ganglion block: A prospective and randomized study // Anesth Analg. 2018; 126: 1362–1368.
9. Doughty C.T., Bowley M.P. Entrapment neuropathies of the upper extremity // Med Clin N Am. 2019; 103: 357–370.
10. Prevalence and incidence of carpal tunnel syndrome in US working populations: pooled analysis of six prospective studies // Scand J Work Environ Health. 2013; 39: 495–505.
11. Erickson M., Lawrence M., Lucado A. The role of diagnostic ultrasound in the examination of carpal tunnel syndrome: an update and systematic review // J Hand Ther. 2021; 14: S0894-1130(21)00061-2. Онлайн-версия доступна раньше печатной.