Interventionell radiologi är mogen för AI-störning – tankeledare

Av: Oz Moskovich, AI och data science-ansvarig, XACT Robotics.

Nästan varje sektor inom hälso- och sjukvården undersöker tillämpningar för artificiell intelligens, men det finns vissa områden inom medicinen som erbjuder fler möjligheter för AI-störning än andra. Som ansvarig för ett datavetenskapsteam inom medicinsk robotik är jag angelägen om att hitta områden med behov, och ingen medicinsk specialitet presenterar ett tydligare behov av AI än interventionell radiologi.

Utmaningarna som interventionell radiologi står inför idag inkluderar:

• Brist på specialister: Endast cirka 10 procent av radiologer får subspecialistutbildning inom interventionell radiologi.
• Kostnad: Bristen på specialister bidrar till ökade kostnader för patienter. Patienter på landsbygden reser ofta till närmaste interventionella radiologen – ådrar kostnader för resa och logi.
• Diagnos i rätt tid: En nylig Sinai-studie fann att tidig diagnos ledde till en betydande minskning av lungcancerdödsfall.
• Tumöregenskaper: När man diagnostiserar en potentiell tumör kan storlek, läge och vävnadskompatibilitet alla leda till fördröjd diagnos och behandling.
• Procedurinconsistenser: Manuella procedurmetoder kräver ibland flera införanden för att nå önskat mål, vilket kan resultera i längre procedurtider, återinläggningar eller komplikationer.

Lyckligtvis hjälper verktyg som finns tillgängliga idag till att mildra dessa utmaningar och AI är en nyckel bland dem. Genom att kombinera AI- och maskinlärningsförmågor med robot- och bildgivande plattformar kan vårt hälso- och sjukvårdssystem utöka tillgången till kvalitetsvård. Det innebär att förbättra hastigheten, effektiviteten och tillgängligheten för procedurer som biopsier och ablationer, vilket resulterar i fler positiva resultat och nöjda patienter.

Möjlighet inom robotik

Robotiska system har spridit sig över hela medicinen, men efterfrågan på komplex och exakt bildstyrd planering och övervakning i procedurer som biopsier eller ablationer gör robotik till en idealisk passform för interventionell radiologi. Med exakt, robotstyrd införing och styrning kan läkare diagnostisera och behandla potentiellt livshotande sjukdomar tidigare – när tumörer är mindre och mer mottagliga för behandling. Robotteknik erbjuder också en möjlighet att ytterligare inkorporera AI och maskinlärning i interventionell radiologi.

Med kliniska arbetsflöden som alltmer inkorporerar AI-styrda teknologier inom flera domäner är det bara en tidsfråga innan liknande antagande av robotiska system sker. När de kombineras med maskinlärning kan robotiska system utnyttja stora mängder tidigare procedurdata för att hjälpa läkare att fatta välunderbyggda beslut. Genom att dela den data globalt och tillhandahålla medlen att analysera den blir maskinlärning en enhetande kraft som ger upphov till en mer sofistikerad nivå av vård som grundar sig på en bredare uppsättning erfarenheter. Från att hitta fall med liknande egenskaper till att belysa risker och avvikelser till realtidsrekommendationer kommer även de mest erfarna läkarna att dra nytta av tillgången till denna uppsättning funktioner. Dessutom producerar AI och bildgivande nya funktioner, såsom bildförbättring, bildförening, vävnadssegmentering och 3D-återgivning. Var och en av dessa ger läkaren den tydligaste bilden av sina mål, tillåter procedurplanering i förväg och kan bidra till en mer exakt procedur och optimerar resultat.

Att hantera brister och ineffektiviteter

AI-styrda robotplattformar har förmågan att göra procedurer mer förutsägbara – minska risken för återinläggning och slutföra procedurer på en konsekvent tid. En del av den förutsägbarheten är att säkerställa en optimal utgång med en enda procedur och undvika behovet av att återinlägga en patient för en andra procedur. Medicare spenderar cirka 30 miljarder dollar årligen på sjukhusåterinläggningar och mer än hälften av den utgiften går till undvikbara återinläggningar. Genom att planera procedurer och utnyttja stordata, maskinlärning och AI genom robotplattformar kommer våra läkare att utföra procedurer exakt och effektivt och kommer att minska slöseri med pengar på undvikbara procedurer.

AI har också en möjlighet att hjälpa till att lösa specialistbristen. När intuitiva enheter blir allt vanligare på hälso- och sjukvårdsanläggningar och procedurkunskap blir mer tillgänglig kommer fysiska assistenter – dvs. fysiska assistenter och sjuksköterskor – att utföra fler procedurer. Genom att ge fler kliniker verktygen att utföra interventionella procedurer kan vi lindra en ansträngd läkarpopulation och fördela den kliniska bördan mer rättvist.

Applikationer för AI inom medicin ligger fortfarande flera år bort från allmänhet, men det finns en enorm möjlighet för AI att förbättra läkarnas förmåga inom interventionell radiologi – det kommer aldrig att ersätta dem, utan kommer att fungera som en magnifik ny verktygslåda. Genom att fortsätta förbättra det arbete som redan pågår inom robotik, AI och maskinlärningsutvecklingsteam kommer vi att införa banbrytande teknik inom interventionell radiologi. Det har potentialen att hjälpa till att lösa specialistbristen och uppnå positiva resultat mer effektivt och snabbt för en större befolkning av patienter.