Intervensjonsradiologi er moden for AI-forstyrrelse – Tankeledere

Av: Oz Moskovich, AI og datavitenskapelig leder, XACT Robotics.

Nærmest hver sektor av helsevesenet utforsker anvendelser for kunstig intelligens, men det finnes noen fagområder innen medisin som presenterer flere muligheter for AI-forstyrrelse enn andre. Som leder for et datavitenskapelig team i medisinsk robotikk, er jeg ivrig etter å finne områder med behov, og ingen medisinsk spesialitet presenterer et tydeligere behov for AI enn intervensjonsradiologi.

Utfordringene intervensjonsradiologi står overfor i dag inkluderer:

• Mangel på spesialister: Bare om lag 10 prosent av radiologer mottar spesialisering i intervensjonsradiologi.
• Kostnader: Mangel på spesialister bidrar til økte kostnader for pasienter. Pasienter på landsbygda reiser ofte for å finne den nærmeste intervensjonsradiologen – pådrar seg kostnader for reise og losji.
• Rask diagnose: En nylig Sinai-studie fant at tidlig diagnose ledet til en betydelig nedgang i lungekreftsdødsfall.
• Swulstegenskaper: Når man diagnostiserer en potensiell swulst, kan størrelsen, plasseringen og vevets overensstemmelse alle føre til forsinket diagnose og behandling.
• Prosedyreinkonsistenser: Manuelle prosedyremetoder kan noen ganger kreve flere innføringer for å nå det ønskede målet, noe som kan føre til lengre prosedyretid, innleggelse eller komplikasjoner.

Heldigvis hjelper verktøy som er tilgjengelige i dag allerede med å mildne disse utfordringene, og AI er en nøkelfaktor blant dem. Ved å kombinere AI og maskinlæringsevner med robot- og bildeplattformer, kan vårt helsevesen utvide tilgangen til kvalitetsbehandling. Dette inkluderer å forbedre hastigheten, effektiviteten og tilgjengeligheten av prosedyrer som biopsier og ablasjoner, noe som resulterer i flere positive resultater og tilfredse pasienter.

Mulighet i robotikk

Robotsystemer har spredd seg over hele medisinen, men etterspørselen etter komplekse og nøyaktige bildeveiledede planlegging og overvåking i prosedyrer som biopsier eller ablasjoner gjør robotikk til en ideal løsning for intervensjonsradiologi. Med nøyaktig, robotdrevet innføring og styring kan leger diagnostisere og behandle potensielt livstruende sykdommer tidligere – når svulstene er mindre og mer mottakelige for behandling. Robotteknologi gir også en mulighet til å inkorporere AI og maskinlæring i intervensjonsradiologi.

Med kliniske arbeidsflyter som stadig inkorporerer AI-drevne teknologier i flere domener, er det bare et spørsmål om tid før lignende adopsjon av robotsystemer. Når kombinert med maskinlæring, kan robotsystemer utnytte store mengder tidligere prosedyredatabasen for å hjelpe leger med å ta svært informerte beslutninger. Ved å dele denne dataen globalt og tilby midler til å analysere den, blir maskinlæring en forenende kraft som gir opphav til en mer sofistisert nivå av omsorg basert på en bredere sett av erfaringer. Fra å finne saker med lignende egenskaper til å høydepunkte risikoer og anomalier til sanntidsanbefalinger, vil selv de mest erfarne leger dra nytte av tilgangen til denne settet med funksjoner. I tillegg produserer paring av AI og bilde nye funksjoner, som bildeforbedring, bildefusion, vevssegmentering og 3D-gjengivelse. Hver av disse gir legen det klareste bildet av sine mål, tillater prosedyreplanlegging på forhånd og kan bidra til en mer presis prosedyre og optimaliserer resultater.

Å håndtere mangel og ineffektivitet

AI-drevne robotplattformer har evnen til å gjøre prosedyrer mer forutsigbare – reduserer risikoen for innleggelse og fullfører prosedyrer på en konsekvent tid. En del av denne forutsigbarheten er å sikre en optimal utfall med en enkelt prosedyre og unngå behovet for å innlegge en pasient for en annen prosedyre. Medicare bruker om lag 30 milliarder dollar årlig på sykehusinnleggelse og mer enn halvparten av denne utgiftene går mot unngåelige innleggelsene. Ved å planlegge prosedyrer og utnytte stor data, maskinlæring og AI gjennom robotplattformer, vil våre leger utføre prosedyrer nøyaktig og effektivt og redusere unødvendig utgifter til unngåelige prosedyrer.

AI har også en mulighet til å hjelpe med å løse spesialistmangel. Når intuitive enheter blir mer vanlige over hele helsevesenet og prosedyrekunnskap blir mer tilgjengelig, vil legeutvidere – dvs. legeassistenter og sykepleiere – utføre flere prosedyrer. Ved å gi flere klinikere mulighet til å utføre intervensjonsprosedyrer, kan vi lettet et belastet legesamfunn og fordele den kliniske byrden mer rettferdig.

Anvendelser for AI i medisin er fortsatt flere år unna fra å bli allment akseptert, men til slutt er det en enorm mulighet for AI til å forbedre legens evner i intervensjonsradiologi – det vil aldri erstatte dem, men vil fungere som et fantastisk nytt verktøy. Ved å fortsette å fremme arbeidet som allerede er i gang over robotsystemer, AI og maskinlæring, vil vi introdusere banebrytende teknologi til intervensjonsradiologi. Det har potensialet til å hjelpe med å løse spesialistmangel og oppnå positive resultater mer effektivt og raskere for en større befolkning av pasienter.