Slim sturen in de OK: Formule 1-technologie helpt chirurgen vooruit

Dataverwerking in de operatiekamer: de Formule 1-aanpak

In de Formule 1 draait alles om data (telemetrie). Niet alleen worden rondetijden en bochtsnelheden bijgehouden, ook meten honderden sensoren in de auto continu zaken als stuurbewegingen, bandenslijtage en hoe warm de remmen zijn. Die gegevens gaan direct naar de technici, zodat ze tijdens de race kunnen bijsturen of de strategie aanpassen, bijvoorbeeld door eerder van banden te wisselen. Na afloop wordt alles grondig geanalyseerd om de prestaties van de auto en de tactiek te verbeteren voor de volgende race.

Succes in de Formule 1 is nooit het werk van de coureur alleen. Achter elke ronde zit een team van race-engineers, data-analisten, strategen, monteurs en technici die nauw samenwerken. Iedereen heeft een eigen rol in het verbeteren van de prestaties. Ook een operatie is teamwerk. Chirurgen, assistenten, anesthesiologen, technici, onderzoekers en verpleegkundigen zijn een goed op elkaar afgestemd team. Geïnspireerd door de telemetrie uit de Formule 1 voegen onderzoekers van het LUMC daar nu datagedreven ondersteuning aan toe, om zo de prestaties van het team verder te verbeteren.

Slimme software herkent operatiestappen

Maar hoe werkt dit dan? Bij een robotoperatie staat de chirurg niet aan de operatietafel, maar zit achter een console waarmee hij of zij de robot aanstuurt. De robot heeft vier armen: drie met instrumenten en één met een camera. De bediening gebeurt met voetpedalen en handcontrollers. Dankzij een samenwerking met de fabrikant van de robot kunnen de onderzoekers alle bewegingen van de robotarmen continu vastleggen in drie dimensies (x-, y- en z-coördinaten). Dit levert unieke datasets op die kunnen helpen om de prestaties van de chirurg te verbeteren.

Promovendus Kateryna Pirkovets legt uit: "We verzamelden data van vier operaties waarbij de prostaat werd verwijderd met de Da Vinci-robot. Deze procedure wordt ook wel RALP genoemd: Robotic Assisted Laparoscopic Prostatectomy. Elke ingreep duurde ongeveer drie uur, waarin we 44 verschillende parameters hebben gemeten. We keken naar hoe snel en soepel de instrumentbewegingen waren, de positie van de instrumenten in het lichaam en ten opzichte van elkaar, en hoelang elke fase duurde. Met behulp van kunstmatige intelligentie hebben we de data verwerkt en geïnterpreteerd."

Bochtenwerk in de OK

Een operatie zoals de RALP verloopt in verschillende fasen, net zoals een Formule 1-circuit uit bochten, rechte stukken en chicanes bestaat. Elke fase stelt andere eisen aan de techniek van de chirurg: soms is snelheid belangrijk, andere keren vraagt het juist precisie. Denk aan Max Verstappen die versnelt op een recht stuk of afremt voor een scherpe bocht om zijn rondetijden snel én constant te houden. Ook chirurgen moeten hun aanpak aanpassen aan de fase van de operatie: langzame, verfijnde bewegingen om de zenuwen intact te houden of ronde bewegingen tijdens het hechten.

De onderzoekers herkennen de verschillende fasen van de operatie aan de hand van de bewegingen van de instrumenten. Pirkovets: "Door bewegingspatronen te herkennen kunnen we nu, voor het eerst, objectief bepalen in welke fase van de operatie de chirurg zich bevindt — net zoals een Formule 1-team weet waar de auto zich op het circuit bevindt."

Presteren op topniveau

"Dit is belangrijk, want elke stap telt bij kankerchirurgie. Tot nu toe werd de kwaliteit van een drie uur durende RALP-operatie beoordeeld door collega’s die achteraf de video bekeken. Dat kost veel tijd en is gevoelig voor menselijke fouten. Door dit proces te automatiseren wordt de feedback niet alleen sneller en beter reproduceerbaar, maar ontstaat ook een hoger niveau van feedback. Zo krijgen chirurgen gerichte inzichten om zich verder te ontwikkelen, net zoals F1-teams na elke race hun prestaties verbeteren", zegt Fijs van Leeuwen, hoogleraar moleculaire beeldvorming en beeldgestuurde therapie.

Ook chirurgen in opleiding profiteren van deze techniek. Pirkovets: "De feedback is datagedreven en objectief. In een andere studie volgden we artsen in opleiding die de RALP-operatie oefenden in een speciaal trainingscentrum. Bij de eerste poging ging het soms mis. Bij de tweede poging zagen we dat dezelfde arts, na feedback van de trainer, voorzichtiger bewoog met de instrumenten. Dat laat zien dat bewegingsanalyse ook gebruikt kan worden om de leerontwikkeling te volgen en heel gericht feedback te geven op onderdelen die nog verbeterd kunnen worden."

Opschakelen naar de volgende versnelling

De eerste resultaten zijn veelbelovend. De onderzoekers werken nu toe naar een systeem dat in de toekomst niet alleen achteraf chirurgische data analyseert, maar ook tijdens de operatie bruikbare feedback geeft. Net zoals een Formule 1-coureur tijdens de race updates krijgt over zijn positie, bochtsnelheid of bandenspanning, is het doel dat operatieteams straks real-time informatie ontvangen om tijdens de ingreep beter onderbouwde keuzes te maken en zo 'winst' te boeken.

Van Leeuwen: "Om de enorme hoeveelheid data razendsnel te analyseren is er veel rekenkracht nodig. Daarvoor gebruiken we supercomputers, vergelijkbaar met die waarmee Max zijn rondetijden verbetert. We werken samen met de medische technologiebedrijven Intuitive en Barco en met dataspecialisten van Capgemini en Oracle. Oracle is onder andere bekend van hun werk in de Formule 1. Het doel? Niet alleen achteraf leren van data, maar zorgen dat in de toekomst elk operatieteam, net als een F1-team, kan vertrouwen op slimme technologie als ondersteuning om de best mogelijke zorg te leveren."

Meer weten? Bekijk dan de video 'F1 Tactics in robot-assisted surgery', die Pirkovets maakte of lees de wetenschappelijke publicatie.

• Kateryna Pirkovets en Fijs van Leeuwen zijn beiden werkzaam in Laboratorium voor interventionele moleculaire beeldvorming van het LUMC en de afdeling Urologie bij het Nederlands Kankerinstituut -Antoni van Leeuwenhoek.
• Dit onderzoek is gefinancierd door de Nederlandse Organisatie voor Wetenschappelijk Onderzoek (NWO) KIC grant SurgiSense (KICH1.ST03.210.030).