Interventionell radiologi är mogen för AI-störning – tankeledare

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

Nästan varje sektor inom hälsovården 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 data science-team 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 specialistutbildning inom interventionell radiologi.
• Kostnad: Bristen på specialister bidrar till ökade kostnader för patienter. Patienter på landsbygden måste ofta resa för att hitta den närmaste interventionella radiologen – ådrar sig kostnader för resa och logi.
• Tidig diagnos: En nyligen publicerad Sinai-studie fann att tidig diagnos ledde till en betydande minskning av dödsfall i lungcancer.
• Tumöregenskaper: När man diagnostiserar en potentiell tumör kan storlek, läge och vävnadskompatibilitet alla leda till försenad diagnos och behandling.
• Procedurförfaranden: Manuella procedurförfaranden kräver ibland flera införanden för att nå det önskade målet, vilket kan resultera i längre procedurtider, återinläggningar eller komplikationer.

Lyckligtvis finns det verktyg tillgängliga idag som redan hjälper 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 hälsovårdssystem utöka tillgången till kvalitetsvård. Det innebär att förbättra hastigheten, effektiviteten och tillgängligheten för procedurer som biopsier och ablationer, vilket resulterar i fler positiva utfall 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 flöden som alltmer inkorporerar AI-stödda 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 rekommendationer i realtid kommer även de mest erfarna läkarna att dra nytta av tillgång till denna uppsättning funktioner. Dessutom producerar AI och bildgivande nya funktioner, såsom bildförbättring, bildfusion, vävnadssegmentering och 3D-återgivning. Var och en av dessa ger läkaren den tydligaste bilden av sina mål, möjliggör procedurplanering i förväg och kan bidra till en mer exakt procedur och optimera utfallet.

Att hantera brister och ineffektiviteter

AI-stödda 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 ett optimalt utfall 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 stora data, maskinlärning och AI genom robotplattformar kommer våra läkare att utföra procedurer exakt och effektivt och minska slöseri med pengar på undvikbara procedurer.

AI har också en möjlighet att hjälpa till att lösa specialistbrist. När intuitiva enheter blir alltmer vanliga inom hälsovårdsanläggningar och procedurkunskap blir mer tillgänglig kommer fysiska utvidgare – dvs. fysiska assistenter och sjuksköterskepraktiker – att utföra fler procedurer. Genom att ge fler kliniker verktygen att utföra interventionella procedurer kan vi lindra en ansträngd läkarbefolkning och fördela den kliniska bördan mer rättvist.

Tillämpningar för AI inom medicin ligger fortfarande år bort från allmänhet, men det finns en enorm möjlighet för AI att förbättra läkares förmåga inom interventionell radiologi – det kommer aldrig att ersätta dem, utan snarare kommer att fungera som en magnifik ny verktygslåda. Genom att fortsätta att utveckla det arbete som redan pågår inom robotik, AI och maskinlärningsutvecklingsteam kommer vi att introducera banbrytande teknik till interventionell radiologi. Den har potentialen att hjälpa till att lösa en läkarbrist och uppnå positiva utfall mer effektivt och snabbt för en större befolkning av patienter.