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 sommige medische specialismen bieden meer kansen voor AI-disruptie dan anderen. Als leider van een data science-team in medische robotica, ben ik geïnteresseerd in het vinden van gebieden met behoefte, en geen enkel medisch specialisme heeft een duidelijker behoefte aan AI dan interventie-radiologie.

De uitdagingen waarmee interventie-radiologie vandaag te maken krijgt, zijn:

• Specialistentekort: Slechts ongeveer 10 procent van de radiologen krijgt subspecialistische opleiding in interventie-radiologie.
• Kosten: Het specialistentekort leidt tot extra kosten voor patiënten. Patiënten op het platteland reizen vaak om de dichtstbijzijnde interventie-radioloog te vinden – waardoor ze kosten maken voor reis en verblijf.
• Timeige diagnose: Een recente Sinai-studie toonde aan dat een eerdere diagnose leidde tot een aanzienlijke daling van de sterftecijfers door longkanker.
• Tumor-eigenschappen: Bij de diagnose van een potentiële tumor kunnen de grootte, locatie en weefselcompliance allemaal leiden tot vertraagde diagnose en behandeling.
• Procedure-inconsistenties: Handmatige proceduremethoden vereisen soms meerdere inbrengingen om het gewenste doel te bereiken, wat kan leiden tot langere proceduretijden, heropnames of complicaties.

Gelukkig helpen de hulpmiddelen die vandaag beschikbaar zijn al om deze uitdagingen te mitigeren en AI is een van de belangrijkste daarvan. Door AI- en machine learning-mogelijkheden te koppelen aan robot- en beeldvormingplatforms, kan ons gezondheidssysteem de toegang tot kwaliteitszorg uitbreiden. Dat houdt in dat de snelheid, efficiëntie en beschikbaarheid van procedures zoals biopsieën en ablaties worden verbeterd, waardoor er meer positieve resultaten en tevreden patiënten zijn.

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 maakt robotica een ideale keuze voor interventie-radiologie. Met nauwkeurige, robotgestuurde inbrenging en sturing kunnen artsen potentieel levensbedreigende ziektes 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 steeds vaker 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 gebruikmaken van grote hoeveelheden historische proceduregegevens om artsen te helpen bij het nemen van zeer geïnformeerde beslissingen. Door deze 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 combineren 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 in de voorbereiding toe en kan bijdragen tot een meer precieze procedure en optimaliseert resultaten.

Het aanpakken van tekorten en inefficiënties

AI-gebaseerde robotplatforms hebben de mogelijkheid om procedures meer voorspelbaar te maken – het risico van heropname te verkleinen en procedures af te ronden in een consistent tijdsbestek. Een deel van die voorspelbaarheid is het waarborgen van een optimale uitkomst 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 dollar per jaar uit aan heropnames 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 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 gebruikelijk worden in zorginstellingen en procedurekennis toegankelijker wordt, zullen physician extenders – d.w.z. physician assistants en verpleegkundigen – meer procedures uitvoeren. Door meer clinici te voorzien van de middelen om interventieprocedures uit te voeren, kunnen we een overbelaste artsenpopulatie ontlasten en de klinische last meer gelijkmatig 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 verbeteren – het zal hen nooit vervangen, maar zal dienen als een prachtig nieuwe toolbox. Door het werk dat al gaande is in robotica, AI en machine learning-ontwikkelingsteams voort te zetten, zullen we baanbrekende technologie introduceren in interventie-radiologie. Het heeft het potentieel om te helpen bij het oplossen van een artsentekort en om positieve resultaten te bereiken op een efficiëntere en snellere manier voor een grotere patiëntpopulatie.