Radiologi Intervensi Siap Menghadapi Gangguan AI – Pemimpin Pikiran

Oleh: Oz Moskovich, Pemimpin AI dan Ilmu Data, XACT Robotics.

Hampir setiap sektor kesehatan sedang menjelajahi aplikasi untuk kecerdasan buatan, tetapi ada beberapa bidang kedokteran yang menawarkan lebih banyak kesempatan untuk gangguan AI daripada yang lain. Sebagai pemimpin tim ilmu data di robotika medis, saya sangat ingin menemukan area kebutuhan, dan tidak ada spesialisasi medis yang menawarkan kebutuhan yang lebih jelas untuk AI daripada radiologi intervensional.

Tantangan yang dihadapi radiologi intervensional saat ini termasuk:

• Kekurangan spesialis: Hanya sekitar 10 persen radiolog yang menerima pelatihan subspesialisasi di radiologi intervensional.
• Biaya: Kekurangan spesialis menyebabkan biaya tambahan untuk pasien. Pasien pedesaan, khususnya, sering bepergian untuk menemukan radiolog intervensional terdekat – menghasilkan biaya untuk perjalanan dan akomodasi.
• Diagnosis yang tepat waktu: Studi terbaru Sinai menemukan bahwa diagnosis yang lebih awal menyebabkan penurunan yang signifikan dalam kematian akibat kanker paru-paru.
• Sifat tumor: Ketika mendiagnosis tumor potensial, ukuran, lokasi, dan kepatuhan jaringan dapat menyebabkan penundaan diagnosis dan pengobatan.
• Ketidakkonsistenan prosedur: Metode prosedural manual terkadang memerlukan beberapa penyisipan untuk mencapai target yang diinginkan, yang dapat menghasilkan waktu prosedur yang lebih lama, rawat inap kembali, atau komplikasi.

Beruntung, alat yang tersedia saat ini sudah membantu mengatasi tantangan tersebut, dan AI adalah salah satu kunci di antaranya. Dengan menggabungkan kemampuan AI dan pembelajaran mesin dengan platform robotika dan pencitraan, sistem kesehatan kita dapat memperluas akses ke perawatan berkualitas. Itu melibatkan meningkatkan kecepatan, efisiensi, dan ketersediaan prosedur seperti biopsi dan ablasi, menghasilkan hasil yang lebih positif dan pasien yang lebih puas.

Kesempatan di Robotika

Sistem robotika telah berkembang di seluruh bidang kedokteran, tetapi permintaan perencanaan dan pemantauan gambar yang kompleks dan akurat dalam prosedur seperti biopsi atau ablasi membuat robotika sangat cocok untuk radiologi intervensional. Dengan penyisipan dan pengarahan yang akurat dan berdaya, dokter dapat mendiagnosis dan mengobati penyakit yang potensial mengancam jiwa lebih awal – ketika tumor masih kecil dan lebih rentan terhadap pengobatan. Teknologi robotika juga menyediakan jalur untuk lebih mengintegrasikan AI dan pembelajaran mesin ke dalam radiologi intervensional.

Dengan alur kerja klinis yang semakin banyak mengintegrasikan teknologi yang ditenagai AI di berbagai domain, hanya masalah waktu sebelum adopsi sistem robotika yang serupa. Ketika digabungkan dengan pembelajaran mesin, sistem robotika dapat memanfaatkan sejumlah besar data prosedur sebelumnya untuk membantu dokter membuat keputusan yang sangat terinformasi. Dengan berbagi data secara global dan menyediakan sarana untuk menganalisisnya, pembelajaran mesin menjadi kekuatan yang mempersatukan yang memberikan rise kepada tingkat perawatan yang lebih canggih yang didasarkan pada set pengalaman yang lebih luas. Dari menemukan kasus dengan karakteristik serupa untuk menyoroti risiko dan anomali hingga rekomendasi waktu nyata, bahkan dokter yang paling berpengalaman akan mendapat manfaat dari akses ke kemampuan ini. Selain itu, menggabungkan AI dan pencitraan menghasilkan kemampuan baru, seperti perbaikan gambar, fusi gambar, segmentasi jaringan, dan rendering 3D. Setiap kemampuan tersebut memberikan dokter gambaran yang paling jelas tentang target mereka, memungkinkan perencanaan prosedur sebelumnya, dan dapat menyumbang pada prosedur yang lebih akurat dan hasil yang lebih optimal.

Mengatasi Kekurangan dan Inefisiensi

Platform robotika yang ditenagai AI memiliki kemampuan untuk membuat prosedur lebih dapat diprediksi – mengurangi risiko rawat inap kembali dan menyelesaikan prosedur dalam waktu yang konsisten. Bagian dari prediktabilitas tersebut adalah memastikan hasil yang optimal dengan satu prosedur dan menghindari kebutuhan untuk merawat pasien kembali untuk prosedur kedua. Medicare menghabiskan sekitar $30 miliar setiap tahun untuk rawat inap kembali dan lebih dari setengah biaya tersebut digunakan untuk rawat inap kembali yang dapat dihindari. Dengan merencanakan prosedur dan memanfaatkan data besar, pembelajaran mesin, dan AI melalui platform robotika, dokter kita akan melaksanakan prosedur dengan akurat dan efisien dan akan mengurangi pengeluaran yang tidak perlu untuk prosedur yang dapat dihindari.

AI juga memiliki kesempatan untuk membantu menyelesaikan kekurangan spesialis. Ketika perangkat yang intuitif menjadi lebih umum di fasilitas penyedia layanan kesehatan dan pengetahuan prosedural menjadi lebih mudah diakses, asisten dokter – yaitu asisten dokter dan perawat praktisi – akan melakukan lebih banyak prosedur. Dengan memberdayakan lebih banyak klinisi dengan alat untuk melakukan prosedur intervensional, kita dapat meringankan populasi dokter yang terlalu berat dan menyebarkan beban klinis lebih adil.

Aplikasi AI dalam kedokteran masih beberapa tahun lagi sebelum mencapai kemapanan, tetapi pada akhirnya, ada kesempatan yang luar biasa bagi AI untuk meningkatkan kemampuan dokter dalam radiologi intervensional – itu tidak akan menggantikan mereka, tetapi akan berfungsi sebagai kotak alat yang luar biasa baru. Dengan terus maju dalam pekerjaan yang sudah berlangsung di seluruh tim pengembangan robotika, AI, dan pembelajaran mesin, kita akan memperkenalkan teknologi canggih ke radiologi intervensional. Itu memiliki potensi untuk membantu menyelesaikan kekurangan dokter dan mencapai hasil yang positif lebih efisien dan cepat untuk populasi pasien yang lebih besar.