Interventionele radiologie is rijp voor AI-disruptie - opinieleiders

Door: Oz Moskovich, leider AI en datawetenschap, XACT Robotica.

Bijna elke sector van de gezondheidszorg onderzoekt toepassingen voor kunstmatige intelligentie, maar sommige medische gebieden bieden meer kansen voor AI-verstoring dan andere. Als leider van een data science-team in medische robotica, wil ik graag gebieden vinden waar behoefte is, en geen medisch specialisme heeft een duidelijkere behoefte aan AI dan interventionele radiologie.

De uitdagingen waarmee interventionele radiologie vandaag wordt geconfronteerd, zijn onder meer:

• Tekort aan specialisten: slechts ongeveer 10 procent van de radiologen krijgt een subspecialiteitsopleiding in interventionele radiologie.
• Kosten: Het tekort aan specialisten draagt ​​bij aan extra kosten voor patiënten. Met name plattelandspatiënten reizen vaak om de dichtstbijzijnde interventionele radioloog te vinden - kosten maken voor reis en verblijf.
• Tijdige diagnose: een recente Sinai studie ontdekte dat een eerdere diagnose leidde tot een aanzienlijke daling van het aantal sterfgevallen door longkanker.
• Tumoreigenschappen: bij het diagnosticeren van een potentiële tumor kunnen de grootte, locatie en weefselcompliantie allemaal leiden tot een vertraagde diagnose en behandeling.
• Procedure-inconsistenties: Handmatige procedurele methoden vereisen soms meerdere inserties om het gewenste doel te bereiken, wat kan resulteren in langere proceduretijden, heropnames of complicaties.

Gelukkig helpen de tools die vandaag de dag beschikbaar zijn al om deze uitdagingen te verzachten, en AI speelt daarbij een sleutelrol. Door AI en machine learning-mogelijkheden te koppelen aan robot- en beeldplatforms kan ons gezondheidszorgsysteem de toegang tot kwaliteitszorg uitbreiden. Dat houdt in dat de snelheid, efficiëntie en beschikbaarheid van procedures zoals biopsieën en ablaties moeten worden verbeterd, wat resulteert in positievere resultaten en tevreden patiënten.

Kansen in robotica

Robotsystemen hebben zich in de hele geneeskunde verspreid, maar de vraag naar complexe en nauwkeurige beeldgeleide planning en monitoring bij procedures zoals biopsieën of ablaties, maakt robotica ideaal voor interventionele radiologie. Met nauwkeurige, door robots aangedreven insertie en besturing kunnen artsen potentieel levensbedreigende ziekten eerder diagnosticeren en behandelen - wanneer tumoren kleiner zijn en vatbaarder voor behandeling. Robottechnologie biedt ook een manier om AI en machine learning verder te integreren in interventionele radiologie.

Nu klinische workflows steeds meer AI-aangedreven technologieën in meerdere domeinen integreren, is het slechts een kwestie van tijd voor een vergelijkbare acceptatie van robotsystemen. In combinatie met machine learning kunnen robotsystemen gebruikmaken van enorme hoeveelheden gegevens over procedures uit het verleden om artsen te helpen goed geïnformeerde beslissingen te nemen. Door die gegevens wereldwijd te delen en de middelen te bieden om ze te analyseren, wordt machine learning een verenigende kracht die aanleiding geeft tot een meer geavanceerd zorgniveau dat is gebaseerd op een bredere reeks ervaringen. Van het vinden van gevallen met vergelijkbare kenmerken tot het benadrukken van risico's en afwijkingen tot realtime aanbevelingen, zelfs de meest ervaren artsen zullen baat hebben bij toegang tot deze reeks mogelijkheden. Bovendien levert het koppelen van AI en beeldvorming nieuwe mogelijkheden op, zoals beeldverbetering, beeldfusie, weefselsegmentatie en 3D-rendering. Elk van deze geeft de arts het duidelijkste beeld van zijn doelen, maakt procedureplanning vooraf mogelijk en kan bijdragen aan een nauwkeurigere procedure en optimaliseert de resultaten.

Het aanpakken van tekorten en inefficiënties

Door AI aangedreven robotplatforms kunnen procedures voorspelbaarder maken, waardoor het risico op een heropname wordt verkleind en procedures in een consistente hoeveelheid tijd worden voltooid. Een deel van die voorspelbaarheid is het verzekeren van een optimaal resultaat met een enkele procedure en het vermijden van de noodzaak om een ​​patiënt opnieuw op te nemen voor een tweede procedure. Medicare besteedt ongeveer $ 30 miljard jaarlijks aan heropnames in het ziekenhuis en meer dan de helft van die kosten gaat naar vermijdbare heropnames. Door procedures te plannen en gebruik te maken van big data, machine learning en AI via robotplatforms, zullen onze artsen procedures nauwkeurig en efficiënt uitvoeren en verspillende uitgaven aan vermijdbare procedures verminderen.

AI heeft ook een kans om specialistische tekorten op te lossen. Naarmate intuïtieve apparaten meer algemeen worden in zorginstellingen en procedurele kennis toegankelijker wordt, zullen arts-extenders – dwz arts-assistenten en verpleegkundig specialisten – meer procedures uitvoeren. Door meer clinici de tools te geven om interventionele procedures uit te voeren, kunnen we een gespannen artsenpopulatie verlichten en de klinische last eerlijker verdelen.

Toepassingen voor AI in de geneeskunde blijven jaren verwijderd van alomtegenwoordigheid, maar uiteindelijk is er een enorme kans voor AI om de capaciteiten van artsen op het gebied van interventionele radiologie te verbeteren - het zal ze nooit vervangen, maar zal eerder dienen als een prachtige nieuwe toolbox. Door voort te gaan met het werk dat al aan de gang is in ontwikkelingsteams voor robotica, AI en machine learning, zullen we geavanceerde technologie introduceren in interventionele radiologie. Het heeft het potentieel om te helpen bij het oplossen van een tekort aan artsen en om efficiënter en sneller positieve resultaten te bereiken voor een grotere patiëntenpopulatie.