Radiologi Intervensional Matang untuk Gangguan AI – Pemimpin Pikiran

Oleh: Oz Moskovich, AI dan Data Science Lead, XACT Robotics.

Hampir setiap sektor kesehatan menjelajahi aplikasi untuk kecerdasan buatan, tetapi ada beberapa bidang kedokteran yang menawarkan lebih banyak peluang 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 subspekialisasi di radiologi intervensional.
• Biaya: Kekurangan spesialis menyebabkan biaya tambahan untuk pasien. Pasien pedesaan, khususnya, sering bepergian untuk menemukan radiolog intervensional terdekat – mengakibatkan biaya untuk perjalanan dan akomodasi.
• Diagnosis yang tepat waktu: Studi Sinai baru-baru ini 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 diagnosis dan pengobatan yang tertunda.
• Ketidakkonsistenan prosedur: Metode prosedur manual terkadang memerlukan beberapa penyisipan untuk mencapai target yang diinginkan, yang dapat mengakibatkan waktu prosedur yang lebih lama, readmisi, atau komplikasi.

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

Peluang di robotika

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

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

Mengatasi kekurangan dan ketidakefisienan

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

AI juga memiliki peluang untuk membantu memecahkan kekurangan spesialis. Ketika perangkat yang intuitif menjadi lebih umum di seluruh fasilitas penyedia kesehatan dan pengetahuan prosedur menjadi lebih dapat diakses, asisten dokter – yaitu asisten dokter dan praktisi perawat – 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 di kedokteran masih jauh dari universal, tetapi pada akhirnya, ada peluang besar untuk AI untuk meningkatkan kemampuan dokter di radiologi intervensional – itu tidak akan menggantikan mereka, tetapi akan berfungsi sebagai kotak alat yang luar biasa baru. Dengan terus maju dalam pekerjaan yang sudah dilakukan di seluruh tim pengembangan robotika, AI, dan pembelajaran mesin, kita akan memperkenalkan teknologi canggih ke radiologi intervensional. Ini memiliki potensi untuk membantu memecahkan kekurangan dokter dan mencapai hasil yang positif lebih efisien dan cepat untuk populasi pasien yang lebih besar.