Casos de uso de visión artificial y anotación de imágenes en el quirófano

Introducción: cuando los píxeles se encuentran con la precisión

El quirófano es un entorno de alta presión en el que cada segundo y cada decisión cuentan. Los cirujanos deben operar con precisión quirúrgica, literalmente, mientras se coordinan con equipos, gestionan equipamiento y navegan por una anatomía humana compleja. Ahí entra la visión artificial.

La visión artificial en el quirófano combina IA, transmisiones de vídeo en tiempo real y anotación de imágenes de alta calidad para aportar un nuevo nivel de seguridad, exactitud y eficiencia a los procedimientos quirúrgicos. Desde la laparoscopia hasta la cirugía robótica, las intervenciones guiadas por imágenes se están transformando gracias a modelos entrenados con vídeos e imágenes quirúrgicas meticulosamente anotados.

En este artículo, se analiza en profundidad:

• Casos de uso clave de la visión artificial en el quirófano
• El papel y los métodos de la anotación de imágenes en la IA quirúrgica
• Herramientas y conjuntos de datos emergentes que impulsan esta transformación
• Desafíos y consideraciones éticas
• Tendencias que están dando forma al futuro de la cirugía asistida por IA

Por qué importa la visión artificial en el quirófano

La adopción de la visión artificial en el quirófano no consiste solo en incorporar una novedad tecnológica: busca mejorar la seguridad del paciente, el rendimiento del cirujano y la eficiencia operativa. A medida que los procedimientos quirúrgicos se vuelven más complejos y dependen de una precisión cada vez mayor, crece la necesidad de sistemas de apoyo inteligentes y en tiempo real. Estas son las razones por las que la visión artificial se está volviendo indispensable en los entornos quirúrgicos modernos:

1. Mejorar la precisión intraoperatoria

Los cirujanos trabajan en entornos donde un solo error puede marcar la diferencia entre la recuperación y una complicación. Los algoritmos de visión artificial, cuando se entrenan con conjuntos de datos quirúrgicos anotados, pueden:

• Identificar estructuras anatómicas críticas, como nervios o vasos sanguíneos, en tiempo real
• Advertir a los cirujanos cuando los instrumentos se acercan a zonas sensibles
• Estimar la deformación o el movimiento de los tejidos para ajustar los sistemas de navegación
  Este tipo de asistencia reduce el riesgo de errores intraoperatorios, especialmente en cirugías mínimamente invasivas y robóticas, donde la visibilidad es limitada.

2. Reducir la fatiga humana y la carga cognitiva

La cirugía es exigente física y mentalmente. Las jornadas largas, la concentración intensa y la toma de decisiones bajo estrés contribuyen a los errores. Los sistemas de IA basados en visión actúan como un “segundo observador” de apoyo, analizando de forma continua cada fotograma de un procedimiento sin fatiga. Esto permite a los cirujanos:

• Centrarse en la estrategia y la ejecución
• Apoyarse en la IA para tareas rutinarias de reconocimiento
• Recibir alertas pasivas o activas sobre posibles problemas

3. Acelerar la formación quirúrgica y la transferencia de habilidades

No todos los hospitales tienen acceso a cirujanos expertos o a programas de formación quirúrgica de alta calidad. La visión artificial permite:

• Anotar y archivar procedimientos quirúrgicos para su revisión asincrónica
• Proporcionar retroalimentación en tiempo real a residentes, basada en patrones detectados por IA
• Crear grandes conjuntos de datos estandarizados de flujos de trabajo quirúrgicos para evaluación comparativa
  Esto conduce a un desarrollo de habilidades más rápido y consistente entre instituciones.

4. Habilitar información quirúrgica basada en datos

Cada cirugía genera enormes cantidades de datos visuales que suelen quedar sin aprovechar. Con la ayuda de la anotación de imágenes y la visión artificial:

• Los hospitales pueden analizar la duración de los procedimientos, el uso de instrumentos y las tasas de complicaciones
• Los fabricantes de dispositivos médicos pueden evaluar cómo se utilizan los instrumentos en entornos reales
• Los cirujanos pueden identificar tendencias de rendimiento y áreas de mejora

Este cambio de una cirugía “basada en la experiencia” a una cirugía “basada en datos” puede impulsar una mayor calidad asistencial y optimización operativa.

5. Preparar el camino para la asistencia autónoma

La visión artificial es la base de los sistemas de quirófano autónomos o semiautónomos. Algunos casos de uso futuros que ya se están probando incluyen:

• Sistemas de cámaras inteligentes que siguen automáticamente el campo quirúrgico
• Dispositivos de succión inteligentes que se adaptan a las tasas de sangrado
• Brazos robóticos que anticipan el siguiente instrumento que podría necesitar un cirujano
  Estos sistemas solo funcionarán de forma eficaz si se entrenan con datos de imagen precisos y anotados procedentes de procedimientos reales.

Casos de uso clave de la visión artificial en cirugía

1. Reconocimiento de fases quirúrgicas

Los modelos de visión artificial pueden segmentar los procedimientos quirúrgicos en fases, como incisión, disección o sutura. Esto permite:

• Asistencia en tiempo real
• Formación estandarizada
• Revisión y análisis posoperatorios

Estrategia de anotación: anotar miles de vídeos de cirugía etiquetando los límites de fase y las acciones fotograma por fotograma.

Ejemplo en la práctica:
Conjunto de datos Cholec80, utilizado en el reconocimiento de fases para colecistectomía laparoscópica.

2. Detección y seguimiento de instrumentos

Detectar y seguir automáticamente los instrumentos quirúrgicos en la señal de vídeo.

Casos de uso:

• Seguimiento de la interacción instrumento-tejido
• Análisis del uso de instrumentos
• Prevención del uso indebido o la retención de instrumentos

Estrategia de anotación: cajas delimitadoras o anotaciones poligonales sobre los instrumentos a lo largo de miles de fotogramas. Incluir metadatos sobre el tipo de instrumento y la acción.

Ejemplo de conjunto de datos:
EndoVis Challenge Datasets, que incluyen detección de instrumentos laparoscópicos.

3. Segmentación de estructuras anatómicas

Delineación precisa de órganos, vasos, nervios o tumores mediante segmentación semántica.

Beneficios:

• Ayuda a evitar daños en estructuras críticas
• Proporciona orientación de IA durante disecciones complejas
• Apoya la formación y la simulación

Estrategia de anotación: máscaras a nivel de píxel o polígonos anotados en imágenes anatómicas y vídeos quirúrgicos.

Ejemplo de herramienta:
CVAT o SuperAnnotate para etiquetado fotograma por fotograma con interpolación.

4. Detección de errores quirúrgicos

Detectar comportamientos de riesgo o complicaciones en tiempo real, como:

• Sangrado
• Identificación incorrecta de vasos
• Daño tisular

La IA puede marcar anomalías durante el procedimiento, lo que podría reducir complicaciones o muertes.

Estrategia de anotación: etiquetar secuencias en las que se producen errores, incluidos los indicadores previos al error.

Caso de uso emergente:
Modelos de aprendizaje profundo que analizan mapas de calor del movimiento de los instrumentos para predecir eventos adversos.

5. Optimización del flujo de trabajo y analítica del quirófano

La visión artificial no se limita al paciente: observa toda la sala. También puede acompañar al paciente durante la rehabilitación.

Aplicaciones:

• Seguir el movimiento del personal y del equipamiento
• Supervisar el cumplimiento del campo estéril
• Medir el tiempo del procedimiento por fase

Estrategia de anotación: detección de objetos y seguimiento de personas/equipos con etiquetado de comportamiento.

Ejemplo de uso:
Hospitales que utilizan Proximie para colaboración remota e información del quirófano impulsada por IA.

6. Integración con cirugía robótica

Los robots quirúrgicos, como da Vinci, se benefician de una visión artificial mejorada para:

• Seguimiento de tejidos en tiempo real
• Reconstrucción anatómica 3D
• Mejora de la retroalimentación háptica mediante señales visuales

Estrategia de anotación: anotación de material estéreo multicámara, etiquetado de profundidad y correspondencia entre fotogramas.

7. Mejora de la formación y la simulación

Los conjuntos de datos curados con IA ayudan a:

• Crear simuladores de cirugía virtual
• Proporcionar evaluación automatizada de habilidades
• Mejorar los ciclos de retroalimentación para residentes

Estrategia de anotación: combinar vídeos quirúrgicos con puntuaciones de rendimiento, datos de movimiento y etiquetado de errores.

Anotación de imágenes: la columna vertebral de la IA quirúrgica

La anotación es lo que permite que los modelos de visión artificial funcionen. En el contexto del quirófano, la anotación debe ser:

• Precisa: con exactitud a escala milimétrica
• Contextual: entender cuándo y por qué se utiliza un instrumento
• Alineada en el tiempo: anotaciones de fotogramas de vídeo vinculadas a las líneas temporales quirúrgicas

Tipos de anotación para aplicaciones en quirófano

• Cajas delimitadoras: detección rápida de instrumentos u objetos
• Polígonos/máscaras: delineación detallada de estructuras
• Etiquetas temporales: anotación de secuencias y fases quirúrgicas
• Puntos clave: utilizados en el seguimiento de manos y movimiento de tejidos

Herramientas y plataformas

• Labelbox, flujos de trabajo escalables con integraciones médicas
• CVAT, código abierto, compatible con interpolación de fotogramas de vídeo
• SuperAnnotate, compatible con vídeo quirúrgico y flujos de trabajo de control de calidad

El control de calidad es esencial

Debido a que se trata de un dominio de alto riesgo, el control de calidad de la anotación es crítico:

• Doble revisión por expertos médicos
• Etiquetado por consenso
• Registros de auditoría con historiales de uso de herramientas

Conjuntos de datos que impulsan la visión artificial en cirugía

Estos son algunos conjuntos de datos públicos utilizados para entrenar sistemas de visión quirúrgica:

• Cholec80 – 80 vídeos de cirugía de vesícula biliar con etiquetas de fase
• EndoVis Challenge Data – Segmentación, seguimiento y clasificación de instrumentos
• SurgVisDom – Conjunto de datos de fundamentación visual del dominio quirúrgico
• LapGyn4 – Conjunto de datos anotado de laparoscopia ginecológica

Explorar: Papers With Code: Surgical Phase Recognition

Desafíos en el entorno del quirófano

Aunque el potencial es enorme, desplegar visión artificial en el quirófano no es una implementación inmediata sin ajustes. Es un dominio donde la precisión, la ética y la integración deben equilibrarse cuidadosamente. A continuación se presentan los principales desafíos que los innovadores deben superar para ofrecer soluciones de IA quirúrgica seguras, eficaces y escalables.

1. Restricciones en tiempo real y latencia

A diferencia del diagnóstico por imagen, la visión artificial en quirófano debe funcionar en tiempo real. Los modelos deben:

• Procesar vídeo de alta resolución a 30–60 FPS
• Entregar decisiones en milisegundos
• Mantener la fiabilidad incluso con iluminación y movimiento variables
  La baja latencia es esencial; un retraso de un segundo al alertar a un cirujano sobre un riesgo crítico podría causar daño. Esto impone exigencias arquitectónicas estrictas en la optimización de modelos, el despliegue en GPU y los flujos de preprocesamiento de vídeo.

2. Altos costes de anotación y experiencia limitada

Construir modelos de alto rendimiento requiere datos anotados, pero en el ámbito quirúrgico:

• Los anotadores deben ser expertos: solo cirujanos o profesionales médicos capacitados pueden etiquetar correctamente órganos, instrumentos o pasos quirúrgicos.
• La anotación requiere mucho tiempo: anotar una sola cirugía de 60 minutos podría llevar más de 10 horas.
• El control de calidad es obligatorio: las anotaciones incorrectas en conjuntos de datos de entrenamiento quirúrgico pueden dar lugar a modelos inseguros.

Esto significa que la anotación de datos médicos es costosa y lenta, lo que limita la escala a la que pueden entrenarse nuevos modelos.

3. Cambio de dominio y falta de estandarización

Los datos quirúrgicos son muy variables:

• Diferentes procedimientos, como colecistectomía frente a histerectomía, tienen flujos de trabajo y señales visuales distintos
• La variabilidad en equipamiento, iluminación y resolución afecta la generalización del modelo
• Los estilos de los cirujanos, el manejo de la cámara y las diferencias técnicas añaden más complejidad

Los modelos entrenados con datos de un hospital suelen tener dificultades para generalizar en otros entornos. Crear modelos robustos y adaptables sigue siendo un gran desafío de investigación.

4. Cumplimiento normativo y seguridad clínica

La IA médica está regulada por organismos estrictos como:

• FDA (EE. UU.)
• EMA/MDR (Europa)
• TGA (Australia)

Los sistemas de visión artificial utilizados en cirugía se clasifican como dispositivos médicos y requieren:

• Validación clínica rigurosa
• Documentación de métricas de rendimiento
• Vigilancia posterior a la comercialización
• Explicabilidad y trazabilidad de la toma de decisiones de IA

No cumplir estos estándares puede impedir o retrasar el despliegue, incluso en modelos prometedores.

5. Privacidad de datos, consentimiento y riesgos éticos

Los vídeos quirúrgicos pueden capturar:

• Anatomía del paciente
• Identidades del personal
• Información de salud protegida (PHI) en superposiciones o metadatos

Las instituciones deben gestionar:

• Consentimiento informado para el uso de datos quirúrgicos en entrenamiento
• Desidentificación sin perder valor clínico
• Uso ético, por ejemplo, si la IA se utilizará para supervisar a cirujanos sin transparencia

La gobernanza de datos, el cumplimiento de HIPAA/GDPR y marcos de políticas claros son esenciales para una IA quirúrgica confiable.

6. Integración clínica y confianza

Incluso cuando la tecnología funciona, la adopción fracasa si no existen:

• Interfaces fáciles de usar: los cirujanos no tienen tiempo para paneles complejos
• Confianza y transparencia: si la IA hace sugerencias, los cirujanos deben entender por qué
• Validación clínica: las herramientas de IA deben evaluarse en entornos reales de cirugía en vivo
• Formación: el personal debe aprender a usar, interpretar y actuar según la guía de la IA

En última instancia, los equipos quirúrgicos deben percibir que los sistemas de IA son seguros, intuitivos y útiles, no intrusivos ni propensos a errores.

Integración en los flujos de trabajo hospitalarios

Para beneficiarse realmente de la IA quirúrgica, los hospitales necesitan:

• Integración fluida en el quirófano
• Interoperabilidad con los EHR
• Formación del personal para generar confianza y adopción
• Marcos de anotación neutrales respecto al proveedor para escalar

1. Integración fluida en el quirófano: encajar en las rutinas quirúrgicas existentes

Los cirujanos y el personal de quirófano trabajan con agendas ajustadas y alto estrés. La nueva tecnología debe integrarse en segundo plano, no exigir atención excesiva.

Qué significa esto en la práctica:

• Hardware listo para conectar: los sistemas de visión deberían conectarse a torres laparoscópicas/robóticas existentes o a cámaras cenitales sin recableado ni tiempos de inactividad.
• Tiempo mínimo de configuración: los sistemas de IA deberían iniciarse automáticamente con la sesión de quirófano, detectar el tipo de procedimiento e inicializar los modelos.
• Visualización en tiempo real y no intrusiva: la información debería superponerse claramente en los monitores quirúrgicos o consolas robóticas existentes, no quedar oculta en una interfaz aparte.

Ejemplo:
Un sistema de seguimiento de instrumentos impulsado por IA que registra automáticamente el uso de instrumentos sin ninguna entrada manual de datos por parte del equipo quirúrgico.

2. Interoperabilidad con historias clínicas electrónicas (EHR) y PACS

Los sistemas de visión artificial generan metadatos que se vuelven valiosos desde el punto de vista clínico y operativo cuando se integran en los sistemas de registro hospitalario.

Puntos clave de integración:

• Sistemas EHR como Epic o Cerner: insertar automáticamente líneas temporales de fases quirúrgicas, capturas de pantalla anotadas o eventos de error en el registro del paciente.
• PACS (Picture Archiving and Communication System): almacenar vídeos anotados o capturas quirúrgicas para revisión posoperatoria.
• Plataformas de programación de quirófano: activar la selección del modelo según el procedimiento programado.

Beneficios:

• Reducción de la documentación manual
• Mejor continuidad asistencial entre los equipos quirúrgicos y posoperatorios
• Cumplimiento más sencillo de registros de auditoría y documentación de facturación

3. Colaboración multidisciplinaria y definición de roles

Un despliegue exitoso no es solo un asunto del “equipo técnico”. Requiere colaboración entre departamentos:

Buena práctica:
Establecer un grupo de trabajo transversal de quirófano e IA para supervisar pruebas piloto, formación, actualizaciones y ciclos de retroalimentación.

4. Alineación operativa: programación, soporte y actualizaciones

Los hospitales deben tratar la IA basada en visión como cualquier otra herramienta clínica crítica.

Consideraciones operativas:

• Calendarios de mantenimiento: actualizar modelos y software de IA durante periodos de inactividad del quirófano.
• Mecanismos de contingencia: asegurar que las cirugías continúen sin interrupciones si el sistema falla o presenta retrasos.
• Soporte en tiempo real: proporcionar soporte de TI o del proveedor durante las primeras fases de despliegue.
• Opciones de computación en la nube o en el borde: elegir según necesidades de latencia, ancho de banda y privacidad.

Ejemplo:
Desplegar visión artificial en dispositivos de borde NVIDIA Jetson u Orin en el quirófano evita depender del Wi-Fi hospitalario para la inferencia en tiempo real.

5. Formación del personal y gestión del cambio

Incluso el sistema mejor diseñado falla sin aceptación y formación por parte de los equipos quirúrgicos.

Necesidades clave de formación:

• Entender cómo interpretar la retroalimentación de la IA, por ejemplo alertas visuales o mapas de calor
• Saber cómo y cuándo anular o ignorar sugerencias
• Reportar comentarios, falsos positivos/negativos y casos límite
• Revisión posoperatoria de vídeo usando material anotado para educación o auditoría

Recomendaciones para la gestión del cambio:

• Ofrecer ensayos o sesiones simuladas de quirófano
• Designar “referentes de IA” entre cirujanos y personal de enfermería
• Incentivar la adopción mediante métricas de ahorro de tiempo u optimización del flujo de trabajo

6. Privacidad, cumplimiento y gobernanza

Los sistemas de IA en salud están sujetos a requisitos estrictos de gobernanza de datos. En el quirófano, esto es aún más sensible debido a:

• Imágenes corporales de pacientes
• Rostros y movimientos del personal
• Grabaciones en tiempo real de eventos médicos de alto riesgo

Para integrarlos de forma segura:

• Habilitar anonimización automática, como difuminado de rostros y limpieza de metadatos
• Almacenar vídeos y salidas en entornos compatibles con HIPAA/GDPR
• Usar controles de acceso para restringir quién puede ver, etiquetar o exportar medios sensibles
• Mantener registros de auditoría para cada anotación, inferencia del modelo o interacción de usuario

Recomendación:
Utilizar acceso basado en roles en todos los sistemas; por ejemplo, solo los revisores quirúrgicos pueden acceder al material completo, mientras que el personal administrativo accede a resúmenes.

7. Escalabilidad y despliegue en múltiples sedes

Una vez probado en un quirófano u hospital, el sistema debe escalar.

Consideraciones para escalar:

• ¿Puede el sistema gestionar múltiples especialidades, como cirugías ortopédicas, ginecológicas o cardíacas?
• ¿Es el modelo robusto frente a diferentes configuraciones de hardware, como cirugía robótica, laparoscópica o abierta?
• ¿Se pueden gestionar despliegues en múltiples ubicaciones, incluida la formación, el control de versiones y el soporte?

Utilizar plataformas centralizadas de gestión de modelos, como NVIDIA Clara o MONAI, puede ayudar a agilizar el despliegue y supervisar el rendimiento de los modelos en distintos hospitales.

8. Medición y demostración del ROI

Los responsables de decisión hospitalarios necesitan ver valor medible para justificar la inversión.

Métricas clave de ROI:

• Reducción de errores quirúrgicos o complicaciones
• Menor duración de los procedimientos
• Menor tiempo dedicado a documentación
• Mayor rendimiento y utilización del quirófano
• Mejores resultados de formación o tasas de aprobación de certificaciones

Recomendación:
Comenzar con una métrica de referencia clara, como el tiempo dedicado a documentar el uso de instrumentos, y compararla después de la integración.

Buenas prácticas para implementar visión artificial en el quirófano

• Empezar con un alcance reducido: pilotar un caso de uso específico, como el seguimiento de instrumentos
• Usar conjuntos de datos públicos: ajustar después con vídeos personalizados
• Involucrar pronto a los cirujanos: recoger retroalimentación sobre anotación, interfaz de usuario y alertas
• Centrarse en la seguridad: añadir explicabilidad y gestión de errores a los modelos
• Iterar con rapidez: probar en entornos reales de quirófano y refinar

Contacto

¿Está desarrollando o entrenando IA para entornos quirúrgicos?
DataVLab ofrece servicios especializados de anotación de imágenes y vídeos médicos con:

• Control de calidad con expertos en el ciclo
• Adaptación al dominio quirúrgico
• Flujos de etiquetado de datos de extremo a extremo

Explore nuestras soluciones para salud o contacte con nosotros directamente para acelerar el despliegue de su IA quirúrgica.

Reflexiones finales

La visión artificial en el quirófano está madurando rápidamente: ha pasado del análisis pasivo de vídeo al apoyo a intervenciones en tiempo real. Con la ayuda de una anotación de imágenes precisa, los sistemas de IA para quirófano están adquiriendo el contexto y la precisión necesarios para asistir, no sustituir, a los cirujanos. Tanto si se entrena un modelo de seguimiento de instrumentos como si se despliega analítica de quirófano, el camino hacia una cirugía inteligente empieza con una anotación inteligente.