ABSTRACT
Introducción: la revolución tecnológica que hemos vivido en los últimos años ha generado un extendido uso de la inteligencia artificial (IA) como tecnología de base para el desarrollo de diversos sistemas y soluciones en medicina. En el campo de la otorrinolaringología, estamos viendo hasta ahora los primeros esfuerzos para aprovechar este surgimiento. Objetivo: el presente proyecto busca describir el proceso de desarrollo de una app móvil creada gracias al trabajo colaborativo entre otorrinolaringólogos e ingenieros biomédicos, que tiene la intención de optimizar la evaluación preoperatoria de la tomografía de senos paranasales (TC de SPN). Métodos: el desarrollo de la app siguió el método de priorización para especificaciones de MoSCoW. Utilizamos la información recolectada de encuestas realizadas a 29 expertos en rinología de diferentes partes del mundo, quienes evaluaron variantes anatómicas en la tomografía y se utilizaron dos modelos de regresión para la predicción de dificultad y riesgo a partir de herramientas de aprendizaje estadístico. Conclusión: hemos desarrollado una herramienta y un modelo estadístico que es fácil de utilizar y que idealmente ayudará al cirujano en el proceso de evaluación preoperatoria de TC de SPN. Este es un ejercicio que permite demostrar la eficacia de un desarrollo colaborativo para lograr soluciones en nuestra especialidad y un acercamiento hacia la IA.
Introduction: The recent technology revolution that we have experienced has generated extensive interest in the use of artificial intelligence (AI) in the development of various systems and solutions in medicine. In the field of Otorhinolaryngology, we are seeing the first efforts to take advantage of this flourishing area. Objective: We sought to describe the development process of a mobile app created through a collaborative effort between ENT surgeons and biomedical engineers. This app has the intention to optimize the preoperative evaluation of paranasal sinus tomography (CT) to improve safety and outcomes in Endoscopic Sinus Surgery (ESS). Methods: The development of the app followed the prioritization method for MoSCoW specifications. We used the information collected from surveys of 29 Rhinology experts from different parts of the world, who evaluated anatomical variants on sinus CT scans. Two regression models were used to predict difficulty and risk using statistical learning. Conclusion: Via statistical modelling, we have developed a user-friendly tool that will ideally help surgeons assess the risk and difficulty of ESS based on the pre-operative CT scan of the sinuses. This is an exercise that demonstrates the efficacy of the collaborative efforts between surgeons and engineers to leverage AI tools and promote better solutions for our patients.