Lukas Sebastian Fiedler (Heilbronn; Heidelberg), Hamdi Belhassen (München), Houda Daaloul (München), Lukas Adrian (Heilbronn)
Introduction:
Flap perfusion monitoring is critical in reconstructive surgery to detect ischemic issues early, impacting surgical outcomes and patient well-being. Current methods, relying on subjective clinical judgment, may lead to misinterpretations. Timely identification of ischemia is vital, achievable through postoperative monitoring. Remote Photoplethysmography (rPPG) technology, using a camera and light source to capture subcutaneous blood volume fluctuations, offers a solution. However, spatial measurement and real-time analysis remain challenging.
Material and Methods:
The AITICA project integrates rPPG with deep learning and neural networks, using a custom algorithm from Caire.ai for real-time perfusion monitoring during surgery. We detail the algorithm's implementation and surgical workflow integration. A comparative analysis with conventional techniques, thermal imaging (TI) and acoustic doppler sonography (AD), was conducted to evaluate rPPG's effectiveness.
Results:
The integration of deep learning and rPPG in flap perfusion monitoring is groundbreaking. It provides real-time, objective, and qualitative perfusion assessment, aiding surgical decision-making. Compared to TI and AD, rPPG exhibits potential superiority in accuracy, sensitivity, and convenience, offering significant benefits for patient care.
Discussion:
The AITICA project demonstrates the potential of rPPG technology in reconstructive Head and Neck surgery. Real-time monitoring, aided by deep learning, enhances surgical outcomes and reduces the need for revisions. The comparative analysis indicates rPPG's potential to surpass traditional methods. Widespread adoption in clinical practice requires further research and validation, promising a paradigm shift in reconstructive surgery.
Einleitung:
Die Überwachung der Lappenperfusion in der rekonstruktiven Kopf-Hals-Chirurgie ist entscheidend für die frühzeitige Erkennung von Ischämien und potentiellem flap loss. Aktuelle Methoden basieren auf subjektiver klinischer Beurteilung und können zu Fehlinterpretationen führen. Die rechtzeitige Erkennung einer Ischämie ist von entscheidender Bedeutung. Die Remote-Photoplethysmographie (rPPG), bei der eine Kamera und eine Lichtquelle zur Erfassung von Schwankungen des subkutanen Blutvolumens eingesetzt werden, bietet eine Lösung. Die räumliche Messung und die Echtzeitanalyse stellen jedoch weiterhin eine Herausforderung dar.
Material und Methoden:
Das AITICA-Projekt integriert rPPG mit Deep Learning und neuronalen Netzen und verwendet einen maßgeschneiderten Algorithmus von Caire.ai für die intraoperative Echtzeit-Perfusionsüberwachung. Wir beschreiben die Implementierung des Algorithmus und die Integration des chirurgischen Workflows. Eine vergleichende Analyse mit konventionellen Techniken, der Wärmebildgebung (TI) und der akustischen Doppler-Sonographie (AD), wurde durchgeführt, um die Effektivität von rPPG zu bewerten.
Ergebnisse:
Die rPPG-Integration mit Deep Learning revolutioniert die Lappenperfusionsüberwachung. Sie bietet objektive, Echtzeit-Perfusionsbewertung und übertrifft möglicherweise TI und AD in Genauigkeit und Sensitivität.
Diskussion:
Das AITICA-Projekt zeigt das Potenzial von rPPG in der rekonstruktiven Kopf-Hals-Chirurgie. Echtzeitüberwachung verbessert Ergebnisse und reduziert Revisionen. Die rPPG-Technologie könnte traditionelle Methoden übertreffen. Weitere Forschung und Validierung sind nötig für eine Praxisumstellung.
Das AITICA Projekt erfolgt in Umsetzung unter der Federführung des Autors in Kooperation mit dem Start-Up Caire. Es besteht ein Kooperationsvertrag über wissenschaftliche Inhalte.