RIIdiolog do zobaczenia teraz – Blog o ochronie zdrowia

RIIdiolog do zobaczenia teraz – Blog o ochronie zdrowia
5 (100%) 29 votes

Autor: RIZWAN MALIK, MBBS

Jest rok 2019, a Imaging By Machines wypełniło swoją przepowiednię i kontroluje wszystkie oddziały radiologii, czyniąc ich poprzedników organicznych przestarzałymi.

Jedna z takich zagubionych dusz próbuje zdecydować, w jaki sposób może przepisać sprzęt diagnostyczny, który założył na swojej wąskiej łodzi na kanale Manchester Ship Canal, zastanawiając się, w jakim stopniu cyfrowe przejęcie podczas kolacji (oczywiście dorsza).

To, co staram się zrobić w tym krótkim artykule, to nie wracać do zdrowej drogi tego, czym może być Sztuczna Inteligencja, głębokie uczenie się, uczenie maszynowe lub przetwarzanie języka naturalnego, nauka o danych, która leży u ich podstaw ani nie ogranicza się do konkretnych produktów lub algorytmy są obecnie dostępne lub oczekujące. Zamiast tego staram się podzielić moimi poglądami na temat tego, co i gdzie w podróży pacjenta, którą odbieram, mogą być zastosowania „AI” na ścieżce.

Dla celów tej dyskusji nie odnoszę się zatem ani do „sztucznej” inteligencji, ani do „rozszerzonej” inteligencji, ale zamiast tego ukułem termin „Stosowany„Inteligencja jako moniker Czuję się bardziej pasujący do szerokiego pędzla.

Chociaż piszę tutaj głównie z perspektywy Wielkiej Brytanii / NHS, sugerowałbym, że wiele przedstawionych wyzwań i potencjalnych przypadków zastosowania może mieć zastosowanie do innych systemów. Podobnie, niektóre z szerokich sugestii (na przykład „wsparcie decyzji klinicznej”) mogą być istotne w nieco innych postaciach w różnych częściach ścieżki.

Globalne rozwiązanie

NHS nie tylko działa pod presją nieustannego wzrostu popytu na diagnostykę obrazową – znacznie przewyższając możliwości nawet wtedy, gdy bierze się pod uwagę metody podnoszenia kwalifikacji i łączenia umiejętności – o około 10% rok do roku.

W tym samym czasie świadczenie usług zmieniło się z jednego lokalnego oddziału radiologii ogólnego szpitala, zaspokajając wszystkie potrzeby jego populacji do wielu ośrodków: czy to w przypadku zwiększonych zasobów obrazowania społecznościowego, czy stowarzyszonych wyspecjalizowanych ośrodków w całym regionie.

Rola radiologa również ewoluowała w ciągu ostatnich dziesięciu lat, częściowo pod wpływem zwiększonego znaczenia MDT (Tumor Boards), ale także zmiany w praktyce klinicznej z wyraźniejszym wspólnym podejmowaniem decyzji.

W związku z tym można rozważyć główne wyzwania do pokonania, starając się przezwyciężyć problemy związane z:

Wydajność

  • Zwiększone obciążenie pracą
  • Coraz bardziej zróżnicowane wymagania co do czasu radiologa odciągania ich od raportowania

Łączność

  • Między różnymi instytucjami w systemie opieki korporacyjnej / regionalnej (w tej domenie uwzględnimy raportowanie domowe itp.)
  • Między różnymi działami lub specjalnościami w tym samym org

Starałem się przełamać przypadki użycia w 4 szerokich etapach podróży pacjenta:

Obrazowanie wstępne, etap pozyskiwania obrazów, etap raportowania, narzędzia do raportowania końcowego

1) Pre-Imaging

ja. Wsparcie decyzji klinicznych – narzędzia na etapie składania wniosków, które mogą prowadzić klinicystów do odpowiedniego pojedynczego najlepszego testu lub zestawu testów dla danej prezentacji lub zróżnicowania

ii. Zoptymalizowane planowanie – zarówno w przedsiębiorstwie, jak iu pacjentów, aby wyznaczać terminy spotkań w najbardziej dogodny i wydajny sposób, a skaner w celu zwiększenia wydajności

iii. Rozszerzona komunikacja cyfrowa z pacjentami (w tym Zgoda elektroniczna) – narzędzia do lepszego przygotowania pacjenta do informacji o tym, co wiąże się z testem, jak się do niego przygotować i jak ważne jest to.

Zsumowaną korzyścią wynikającą z tych środków byłoby wyeliminowanie czasu straconego na skutek słabego planowania skanera, zmniejszenie częstości nie pojawienia się i nadanie impulsu informacjom potrzebnym pacjentowi do skanowania, kiedy są bardziej otwarte niż w stresującym okresie frekwencja i ewentualnie skrócony czas i potrzeby wsparcia podczas skanowania (na przykład oczekiwania dotyczące pozycjonowania itp.

1) Etap akwizycji obrazu

ja. Wspomagane sztuczną inteligencją akwizycja obrazu aby skrócić czas skanowania (na przykład wieloparametryczne skany MRI) i zmniejszyć liczbę obrazów o niskiej jakości, a tym samym potencjalnie poprawić dokładność i potrzebę wycofania

ii. Wspomagane sztuczną inteligencją Zarządzanie dawkami – na poziomie makro poprzez redukcję szumu sygnału w celu poprawy jakości obrazu przy skanowaniu z niższą dawką i na poziomie pacjenta

iii. Skaner w czasie rzeczywistym Wykrywanie obrazu/analiza. Samo to może mieć wiele potencjalnych korzyści. Zdecydowana większość skanów ocenianych przez radiologów jest podejmowana „na zimno”, to znaczy, gdy pacjent nie jest już na oddziale radiologicznym lub zwykle nie ma go nawet w szpitalu (skanowanie ambulatoryjne). Korzyści z analizy modalności mogą pozwolić na stratyfikację, na przykład:

  1. Krytyczne odkrycie wymagające natychmiastowej / pilnej pomocy medycznej
  2. Nieprawidłowości wymagające pilnego / przyspieszonego raportowania
  3. Normalne skanowanie – zautomatyzowane zgłaszanie normalnych badań w celu uzyskania informacji o zbliżonym czasie do przyspieszenia zarządzania i wcześniejszego zapewnienia pacjentom
  4. Częścią powyższego może być nawet wykrycie zmian w znanej patologii (na przykład guzek lub obserwacja raka) z automatyzacją „bez zmian” lub ustalanie priorytetów wyników „znaczących zmian”.

1) Interpretacja i raportowanie obrazów

ja. Routing egzaminacyjny: zarządzanie listami wywiadowczymi w celu zapewnienia, że ​​egzaminy są weryfikowane tak szybko i efektywnie, jak to możliwe przez osobę odpowiednią do postu na podstawie takich zasad, jak:

    1. Pilne ustalenia
    2. Specjalizacja
    3. Kluczowe wskaźniki wydajności / wskaźniki
    4. „Normalne” ścieżki, o których mowa powyżej

ii. Zoptymalizowana prezentacja obrazu – gotowy do zgłaszania: poza zmorą życia radiologa, który jest „wiszącymi protokołami” i „odpowiednimi przeszczepami”, szerzej byłoby to przynosząc odpowiednie dochodzenie, informacje kliniczne i wyniki poza radiologią do uwagi reportera w celu poprawy jakości i skrócenia czasu zmarnowanego polowanie na źródła.

iii. Segmentacja uszkodzeń i śledzenie – tak, zdaję sobie sprawę, że istnieją dzikie lub rozwijające się jedenaście miliardów algorytmów, które twierdzą, że to robią, ale zamiast „sklepów z aplikacjami”, które wymagają interwencji człowieka, aby uruchomić poszczególne elementy oprogramowania, a następnie wprowadzić dane użytkownika, aby zweryfikować każdy guzek , opcje mogą obejmować (ale nie tylko):

    1. Zapiekany w naturalnym obiegu pracy, który (na przykład) automatycznie dzieli segmenty (poprzez CAŁĄ akwizycję obrazu nie tylko w poszczególnych modelach części ciała), mierzy je, wykrywa zmiany w poprzednich zmianach i przedstawia je jako podsumowane wyniki w raporcie.
    2. Analiza na żądanie Pomoc: ludzie są na ogół słabi w różnicowaniu między prawdziwym + ve i fałszywym + ve, a przedstawione w celu walidacji segmenty algorytmu „guzki” mogą prowadzić do nadmiernych połączeń. Zamiast tego można aktywować interaktywne narzędzie na żądanie, aby dostarczyć „drugą opinię” na temat regionu niepewności, zamiast wcześniejszego zaznaczania wielu regionów, aby osoba mogła zaakceptować lub odrzucić

iv. Wsparcie analizy obrazu– może to obejmować na przykład dostęp do bibliotek obrazów z sugestiami możliwej diagnozy pozorów w oparciu o cechy patognomoniczne

    1. W szczególności może to obejmować Radionomika funkcje pomagające w klasyfikacji nowotworów.
    2. Inny przykład może obejmować analizę tłumienia, charakterystyk wzmocnienia lub profili sygnału MR i sugerowanie najbardziej prawdopodobnej etiologii opartej na tych parametrach.
    3. Oczywiście powinniśmy również pamiętać o bardziej prozaicznej analizie patologii na zwykłych zdjęciach rentgenowskich (złamania, odmy opłucnowe itp.).

v. Przetwarzanie języka naturalnego aplikacje mogą być wykorzystywane w różnych postaciach, takich jak:

    1. Popraw dokładność rozpoznawania głosu podczas raportowania i poprawiaj błędy typograficzne podczas raportowania lub wdrażania sugerowanych kolejnych metodologii, aby zwiększyć efektywność raportowania.
    2. Automatyczne generowanie podsumowania raportu w oparciu o treść tekstu, w tym szczegóły, takie jak automatyczne wstawianie etapu TNM w oparciu o deskryptory patologii.

vi. Report-Creation – kolejnym krokiem od wspomaganego raportowania byłyby niezależne moduły tworzenia raportów. Widzimy już niektóre z nich w dziedzinie radiologii piersi, ale możliwości obejmują:

    1. Aplikacje Breast Second Reader – pomagające zaradzić ogromnemu niedoborowi radiologów, a jednocześnie wymagając podwójnego zgłaszania mammografii
    2. Pełne raportowanie szablonów – jak omówiliśmy w fazie pozyskiwania obrazów, jeśli analiza uzna, że ​​badanie jest normalne, nie ma powodu, aby nie można było wygenerować odpowiedniego raportu, potencjalnie masowo zmniejszając obciążenie sprawozdawcze normalnych. Rzeczywiście, może to równie dobrze działać z (na przykład) xrays dla złamań – w połączeniu z odpowiednim routingiem raportów.

vii. Wsparcie decyzji klinicznych – dostęp do najnowszych ścieżek i protokołów w celu zapewnienia, że ​​porady radiologa są zgodne z aktualnymi standardami (na przykład w przypadku wytycznych dotyczących zmian chorobowych / guzków)

1) Ścieżki po zgłoszeniu

Obejmowałoby to różne aspekty automatycznego lub optymalizującego trasowania raportu z jego wyników, takich jak:

ja. Automatyczny powiadomienie odpowiedzialnym lekarzom krytycznych ustaleń

ii. Automatycznie planowanie przypadek do omówienia przy następnym odpowiednim MDT

iii. Planowanie/prośba odpowiednie dalsze badania oparte na wynikach badań, takich jak PET-CT lub CT interwałowe dla guzków, zgodnie z wytycznymi

Celem podróży radiologicznej z zastosowaniem inteligencji stosowanej jest to, że powinna ona skutkować większą wydajnością na drodze od końca do końca, bez zwiększania obciążenia administracyjnego dla użytkowników w celu jej wdrożenia. Rezultatem netto byłoby szybsze i wydajniejsze obrazowanie zorientowane na pacjenta. Rozważając niektóre w pełni zautomatyzowane wyniki, na przykład w zakresie normalnego obrazowania, moglibyśmy również dążyć do naprawienia ogromnej różnicy między zapotrzebowaniem na obrazowanie a pojemnością.

Oczywiście nie należy wdrażać ścieżki inteligentnej inteligencji bez rygorystycznych testów i walidacji – podobnie jak w przypadku każdego nowego systemu stosowanego w zdrowiu: ludzkiego lub cyfrowego.

Dr Malik jest konsultantem radiologiem w Royal Bolton NHS Foundation Trust, gdzie jest Trust PACS i Imaging Lead, Associate CCIO i Divisional Clinical Governance Lead. Ten artykuł pierwotnie ukazał się w South Manchester Radiology.

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Pola, których wypełnienie jest wymagane, są oznaczone symbolem *