Interventional Radiologi er moden til AI-forstyrrelse – Tankeledere

Af:Oz Moskovich, AI og Data Science Lead, XACT Robotics.

Næsten hver sektor inden for sundhedsvesenet udforsker anvendelser for kunstig intelligens, men der er nogle områder inden for medicin, der præsenterer flere muligheder for AI-forstyrrelse end andre. Som leder for et data science-team inden for medicinsk robotteknologi er jeg ivrig efter at finde områder, der har brug for det, og ingen medicinsk specialitet præsenterer et større behov for AI end interventionel radiologi.

Udfordringerne for interventionel radiologi i dag omfatter:

• Manglende specialister: Kun omkring 10 procent af radiologer modtager subspecialistuddannelse i interventionel radiologi.
• Omkring:
• Omkring: Specialistmanglende bidrager til øgede omkostninger for patienterne. Patienter på landet rejser ofte for at finde den nærmeste interventionelle radiolog – pådrager sig omkostninger for rejse og indkvartering.
• Retskaffen diagnose: En nylig Sinai-undersøgelse fandt, at tidligere diagnose førte til en betydelig nedgang i dødsfald på grund af lungekræft.
• Tumoregenskaber: Når man diagnosticerer en potentiel tumor, kan størrelsen, placeringen og vævets overensstemmelse alle føre til forsinket diagnose og behandling.
• Procedurernes inkonsistens: Manuelle procedurermetoder kræver undertiden flere indsatser for at nå det ønskede mål, hvilket kan resultere i længere procedurtider, genindlæggelser eller komplikationer.

Heldigvis hjælper værktøjerne, der er til rådighed i dag, allerede med at afhjælpe disse udfordringer, og AI er en af de vigtigste af dem. Ved at kombinere AI og maskinelæringsfunktioner med robot- og billedplatforme kan vores sundhedssystem udvide adgangen til kvalitetsbehandling. Dette indebærer forbedring af procedurers hastighed, effektivitet og tilgængelighed, såsom biopsier og ablationer, hvilket resulterer i mere positive resultater og tilfredse patienter.

Mulighed i robotteknologi

Robotsystemer er blevet mere udbredte inden for medicin, men behovet for komplekse og nøjagtige billedguiderede planlægning og overvågning i procedurer som biopsier eller ablationer gør robotteknologi til en ideal løsning for interventionel radiologi. Med nøjagtig, robotdrevet indsættelse og styring kan læger diagnosticere og behandle potentielt livstruende sygdomme tidligere – når tumorer er mindre og mere modtagelige for behandling. Robotteknologien giver også en mulighed for at inkorporere AI og maskinelæring i interventionel radiologi.

Med kliniske arbejdsprocesser, der stadig mere inkorporerer AI-drevne teknologier i flere domæner, er det kun et spørgsmål om tid, før der sker en lignende adoption af robotsystemer. Når de kombineres med maskinelæring, kan robotsystemer udnytte store mængder af tidligere procedurredatabehandling for at hjælpe lægerne med at træffe højt informerede beslutninger. Ved at dele denne data globalt og forsyne midlerne til at analysere den bliver maskinelæring en samarbejdende kraft, der giver anledning til en mere sofistikeret niveau af pleje baseret på en bredere sæt af erfaringer. Fra at finde tilfælde med lignende karakteristika til at fremhæve risici og anomalier til reale anbefalinger vil selv de mest erfarne læger have gavn af adgang til denne sæt af funktioner. Desuden giver parret AI og billedproduktion nye funktioner, såsom billedforbedring, billedfusion, vævssegmentering og 3D-gengivelser. Hver af disse giver lægen det klareste billede af deres mål, tillader procedurplanlægning på forhånd og kan bidrage til en mere præcis procedure og optimere resultaterne.

Løsning af mangler og ineffektiviteter

AI-drevne robotplatforme har mulighed for at gøre procedurer mere forudsigelige – reducerer risikoen for genindlæggelse og gennemfører procedurer på en konsekvent tid. En del af denne forudsigelighed er at sikre en optimal udgang med en enkelt procedure og undgå behovet for at genindlægge en patient til en anden procedure. Medicare bruger omkring 30 milliarder dollars årligt på hospitalsgenindlæggelser, og mere end halvdelen af denne omkostning går til undgåelige genindlæggelser. Ved at planlægge procedurer og udnytte big data, maskinelæring og AI gennem robotplatforme vil vores læger udføre procedurer nøjagtigt og effektivt og reducere spildende udgifter til undgåelige procedurer.

AI har også en mulighed for at hjælpe med at løse specialistmanglende. Da intuitive enheder bliver mere almindelige på sundhedsudbyderfaciliteter og procedurkendskab bliver mere tilgængeligt, vil lægeudvidelser – dvs. lægeassistenter og sygeplejerskepraktikere – udføre flere procedurer. Ved at give flere kliniske medarbejdere værktøjerne til at udføre interventionelle procedurer kan vi lette en belastet lægebefolkning og fordele den kliniske byrde mere retfærdigt.

Anvendelser for AI i medicin er endnu flere år væk fra almindelighed, men ultimativt er der en enorm mulighed for, at AI kan forbedre lægens evne i interventionel radiologi – det vil aldrig erstatte dem, men vil fungere som en pragtfuld ny værktøjskasse. Ved at fortsætte med at fremme det arbejde, der allerede er i gang på tværs af robot-, AI- og maskinelæringsudviklingsteams, vil vi introducere avanceret teknologi til interventionel radiologi. Det har potentialet til at hjælpe med at løse en lægemangel og opnå positive resultater mere effektivt og hurtigt for en større befolkning af patienter.