Interventie Radiologie is Rijp voor AI-Disruptie – Thought Leaders

Door:Oz Moskovich, AI en Data Science Lead, XACT Robotics.

Bijna elke sector van de gezondheidszorg verkent toepassingen voor kunstmatige intelligentie, maar er zijn enkele gebieden van de geneeskunde die meer kansen bieden voor AI-disruptie dan andere. Als leider van een data science-team in medische robotica, ben ik erg geïnteresseerd in het vinden van gebieden met behoefte, en geen enkel medisch specialisme vertoont een duidelijker behoefte aan AI dan interventie radiologie.

De uitdagingen waar interventie radiologie vandaag mee te maken krijgt, zijn:

• Gebrek aan specialisten: Slechts ongeveer 10 procent van de radiologen ontvangt subspecialistische opleiding in interventie radiologie.
• Kosten: Het gebrek aan specialisten draagt bij aan extra kosten voor patiënten. Patiënten in plattelandsgebieden moeten vaak reizen om de dichtstbijzijnde interventie radioloog te vinden – hierdoor ontstaan kosten voor reizen en verblijf.
• Timely diagnose: Een recent Sinai-onderzoek toonde aan dat een eerdere diagnose leidde tot een aanzienlijke daling van de sterfgevallen door longkanker.
• Tumor eigenschappen: Bij de diagnose van een potentieel tumor kunnen de grootte, locatie en weefselcompliantie allemaal leiden tot vertraagde diagnose en behandeling.
• Procedure inconsistenties: Manuele proceduremethoden vereisen soms meerdere inbrengingen om het gewenste doel te bereiken, wat kan resulteren in langere proceduretijden, heropnames of complicaties.

Gelukkig helpen de hulpmiddelen die vandaag beschikbaar zijn om die uitdagingen te mitigeren en AI is een belangrijk onderdeel daarvan. Door AI en machine learning-mogelijkheden te koppelen aan robot- en beeldvormingplatforms, kan ons gezondheidssysteem de toegang tot kwaliteitszorg uitbreiden. Dit omvat het verbeteren van de snelheid, efficiëntie en beschikbaarheid van procedures zoals biopsieën en ablaties, waardoor meer positieve resultaten en tevreden patiënten ontstaan.

Mogelijkheid in robotica

Robotsystemen zijn overal in de geneeskunde verspreid, maar de vraag naar complexe en nauwkeurige beeldgeleide planning en monitoring in procedures zoals biopsieën of ablaties maken robotica een ideale keuze voor interventie radiologie. Met nauwkeurige, robotgestuurde inbreng en sturing kunnen artsen potentieel levensbedreigende ziekten eerder diagnosticeren en behandelen – wanneer tumoren kleiner en gevoeliger voor behandeling zijn. Robottechnologie biedt ook een mogelijkheid om AI en machine learning verder te integreren in interventie radiologie.

Met klinische workflows die AI-gebaseerde technologieën in meerdere domeinen incorporeren, is het slechts een kwestie van tijd voordat soortgelijke adoptie van robotsystemen plaatsvindt. Wanneer gecombineerd met machine learning, kunnen robotsystemen een enorme hoeveelheid historische proceduregegevens gebruiken om artsen te helpen bij het nemen van zeer geïnformeerde beslissingen. Door die gegevens wereldwijd te delen en de middelen te bieden om ze te analyseren, wordt machine learning een bindende kracht die leidt tot een meer geavanceerd niveau van zorg dat gebaseerd is op een bredere set ervaringen. Van het vinden van gevallen met vergelijkbare kenmerken tot het benadrukken van risico’s en afwijkingen tot aanbevelingen in real-time, zelfs de meest ervaren artsen zullen profiteren van toegang tot deze set mogelijkheden. Bovendien levert het koppelen van AI en beeldvorming nieuwe mogelijkheden op, zoals beeldverbetering, beeldfusie, weefselsegmentatie en 3D-weergaven. Elk van deze geeft de arts het duidelijkste beeld van hun doelen, staat procedureplanning toe en kan bijdragen aan een meer precieze procedure en optimaliseert resultaten.

Uitdagingen en inefficiënties aanpakken

AI-gebaseerde robotplatforms hebben de mogelijkheid om procedures meer voorspelbaar te maken – het risico op heropname te verkleinen en procedures te voltooien in een consistente hoeveelheid tijd. Een deel van die voorspelbaarheid is ervoor zorgen dat een optimale uitkomst wordt bereikt met één procedure en het vermijden van de noodzaak om een patiënt opnieuw op te nemen voor een tweede procedure. Medicare geeft ongeveer $ 30 miljard per jaar uit aan heropnames in het ziekenhuis en meer dan de helft van die uitgaven gaat naar vermeidbare heropnames. Door procedures te plannen en big data, machine learning en AI via robotplatforms te benutten, zullen onze artsen procedures nauwkeurig en efficiënt uitvoeren en zullen ze verspillende uitgaven aan vermeidbare procedures verminderen.

AI heeft ook de mogelijkheid om te helpen bij het oplossen van specialistentekorten. Naarmate intuïtieve apparaten meer gemeengoed worden in gezondheidszorgfaciliteiten en procedurele kennis toegankelijker wordt, zullen physician extenders – d.w.z. physician assistants en nurse practitioners – meer procedures uitvoeren. Door meer clinici te voorzien van de tools om interventieprocedures uit te voeren, kunnen we een overbelaste artsenpopulatie verlichten en de klinische last meer eerlijk verdelen.

Toepassingen voor AI in de geneeskunde liggen nog jaren verwijderd van alomtegenwoordigheid, maar uiteindelijk is er een enorme kans voor AI om de mogelijkheden van artsen in interventie radiologie te vergroten – het zal hen nooit vervangen, maar zal dienen als een prachtig nieuwe toolbox. Door het voortzetten van de werkzaamheden die al in gang zijn gezet in robotica, AI en machine learning-ontwikkelingsteams, zullen we cutting-edge technologie introduceren in interventie radiologie. Het heeft het potentieel om te helpen bij het oplossen van een tekort aan artsen en om positieve resultaten efficiënter en sneller te bereiken voor een grotere populatie patiënten.