Interventionelle Radiologie ist reif für eine KI-Disruption – Thought Leaders

Von: Oz Moskovich, AI- und Data-Science-Lead, XACT Robotics.

Fast jeder Bereich des Gesundheitswesens erkundet Anwendungen für künstliche Intelligenz, aber es gibt einige medizinische Fachgebiete, die mehr Möglichkeiten für eine KI-Disruption bieten als andere. Als Leiter eines Data-Science-Teams im Bereich medizinische Robotik bin ich bestrebt, Bereiche mit Bedarf zu finden, und kein medizinisches Fachgebiet zeigt einen deutlicheren Bedarf an KI als die interventionelle Radiologie.

Die Herausforderungen, denen sich die interventionelle Radiologie heute gegenübersieht, umfassen:

• Mangel an Spezialisten: Nur etwa 10 Prozent der Radiologen erhalten eine Spezialausbildung in interventioneller Radiologie.
• Kosten: Der Mangel an Spezialisten trägt zu erhöhten Kosten für die Patienten bei. Patienten in ländlichen Gebieten müssen oft zum nächstgelegenen interventionellen Radiologen reisen – und damit Kosten für Reise und Unterkunft verursachen.
• Rechtzeitige Diagnose: Eine kürzliche Studie des Sinai ergab, dass eine frühere Diagnose zu einem erheblichen Rückgang der Lungenkrebs-Todesfälle führte.
• Tumoreigenschaften: Bei der Diagnose eines potenziellen Tumors können die Größe, der Ort und die Gewebezufriedenheit alle zu einer verzögerten Diagnose und Behandlung führen.
• Prozedurinkonsistenzen: Manuelle prozedurale Methoden erfordern manchmal mehrere Eingriffe, um das gewünschte Ziel zu erreichen, was zu längeren Prozedurzeiten, Wiederaufnahmen oder Komplikationen führen kann.

Glücklicherweise helfen die heute verfügbaren Werkzeuge bereits, diese Herausforderungen zu mildern, und KI ist dabei ein wichtiger Faktor. Durch die Kombination von KI- und Machine-Learning-Fähigkeiten mit robotischen und Bildgebungsplattformen kann unser Gesundheitssystem den Zugang zu qualitativ hochwertiger Versorgung erweitern. Dazu gehört die Verbesserung der Geschwindigkeit, Effizienz und Verfügbarkeit von Verfahren wie Biopsien und Ablationen, was zu besseren Ergebnissen und zufriedeneren Patienten führt.

Möglichkeit in der Robotik

Roboter-Systeme haben sich in der Medizin verbreitet, aber die Nachfrage nach komplexen und genauen bildgeführten Planungen und Überwachungen bei Verfahren wie Biopsien oder Ablationen machen die Robotik zu einem idealen Einsatzgebiet für die interventionelle Radiologie. Mit genauer, robotergesteuerter Einsetzung und Steuerung können Ärzte potenziell lebensbedrohliche Krankheiten früher diagnostizieren und behandeln – wenn die Tumore kleiner und anfälliger für die Behandlung sind. Roboter-Technologie bietet auch einen Weg, um KI und Machine Learning in die interventionelle Radiologie weiter zu integrieren.

Mit der zunehmenden Integration von KI-gesteuerten Technologien in verschiedenen Bereichen ist es nur eine Frage der Zeit, bis ähnliche Roboter-Systeme übernommen werden. Wenn Roboter-Systeme mit Machine Learning kombiniert werden, können sie große Mengen an Daten aus vergangenen Verfahren nutzen, um Ärzten fundierte Entscheidungen zu ermöglichen. Durch die globale Teilung dieser Daten und die Bereitstellung von Mitteln zur Analyse wird Machine Learning zu einer einigenden Kraft, die ein höheres Level an Versorgung ermöglicht, das auf einer breiteren Erfahrung basiert. Von der Suche nach Fällen mit ähnlichen Merkmalen bis hin zur Hervorhebung von Risiken und Anomalien bis hin zu Echtzeit-Empfehlungen werden sogar die erfahrensten Ärzte von dem Zugang zu diesem Satz an Fähigkeiten profitieren. Darüber hinaus erzeugt die Kombination von KI und Bildgebung neue Fähigkeiten, wie Bildverbesserung, Bildfusion, Gewebe-Segmentierung und 3D-Darstellungen. Jedes davon gibt dem Arzt das klare Bild seiner Ziele, ermöglicht die Planung von Verfahren im Voraus und kann zu einem präziseren Verfahren und optimierten Ergebnissen beitragen.

Beseitigung von Engpässen und Ineffizienzen

KI-gesteuerte Roboter-Plattformen haben die Fähigkeit, Verfahren vorhersehbarer zu machen – das Risiko einer Wiederaufnahme zu reduzieren und Verfahren in einer konstanten Zeit abzuschließen. Teil dieser Vorhersehbarkeit ist die Gewährleistung eines optimalen Ergebnisses mit einem einzigen Verfahren und die Vermeidung der Notwendigkeit, einen Patienten für ein zweites Verfahren erneut aufzunehmen. Medicare gibt etwa 30 Milliarden Dollar jährlich für Wiederaufnahmen in Krankenhäusern aus, und mehr als die Hälfte dieser Ausgaben geht für vermeidbare Wiederaufnahmen drauf. Durch die Planung von Verfahren und die Nutzung von Big Data, Machine Learning und KI durch Roboter-Plattformen können unsere Ärzte Verfahren genau und effizient durchführen und verschwenden weniger Geld für vermeidbare Verfahren.

KI hat auch die Möglichkeit, dem Mangel an Spezialisten zu helfen. Wenn intuitive Geräte in Gesundheitseinrichtungen häufiger werden und prozedurales Wissen zugänglicher wird, werden Physician-Extender – d. h. Physician-Assistenten und Krankenpfleger – mehr Verfahren durchführen. Durch die Ermächtigung von mehr Klinikern mit den Werkzeugen, um interventionelle Verfahren durchzuführen, können wir eine belastete Ärzteschaft entlasten und die klinische Belastung gerechter verteilen.

Anwendungen für KI in der Medizin sind noch Jahre von der Allgegenwart entfernt, aber letztendlich gibt es eine enorme Möglichkeit für KI, die Fähigkeiten von Ärzten in der interventionellen Radiologie zu verbessern – sie wird sie nie ersetzen, sondern vielmehr als eine prächtige neue Werkzeugkiste dienen. Durch die Fortsetzung der bereits laufenden Arbeiten in den Bereichen Robotik, KI und Machine Learning können wir Spitzenleistungstechnologie in die interventionelle Radiologie einführen. Sie hat das Potenzial, dem Mangel an Ärzten zu helfen und positive Ergebnisse effizienter und schneller für eine größere Patientenpopulation zu erreichen.