Wspomaganie decyzji klinicznych w celu zapewnienia lepszej opieki

PP-GAD-PL-0102-1

Dostarczanie wytycznych dla radiologów w miejscu opieki nad pacjentem ma mierzalny pływ na przestrzeganie zgodności z regulacjami i opiekę nad pacjentem.

„Uważam, że jesteśmy bliżej zapewnienia wsparcia w postaci AI (ang. artificial intelligence – sztuczna inteligencja) radiologom podejmującym decyzje niż naszym lekarzom kierującym – powiedział Tarik Alkasab ze szpitala Massachusetts General Hospital w Bostonie. Opisał on poważny problem z wytycznymi dla klinicystów: Nie były one odpowiednio dostępne dla osób zapewniających opiekę, „chyba, że radiolog dosłownie przykleił je do stacji roboczej.”

Ważnym krokiem w kierunku ulepszenia było zakodowanie wytycznych w postaci struktury nadającej się do użytku z zastosowaniem komputera. Struktura ta obejmuje

  • Cechy – elementy opisanej zmiany będą używane do określenia danych wyjściowych dla algorytmu. Elementy obejmują także synonimy tych cech, które mogą być stosowane w raportach.
  • Drzewo decyzyjne – właściwy układ logiczny, który określa dane wyjściowe dla algorytmu w oparciu o cechy zmiany.
  • Punkty końcowe – szablony wygenerowanych tekstów do wstawienia do opisu, opinia radiologa na temat wyników oraz jego zalecenia odnośnie dalszego postępowania.

Otrzymany wynik stanowiła struktura otwarta w miejscu opieki nad pacjentem, będąca wsparciem w zakresie komputerowo wspomaganego raportowania i podejmowania decyzji (CAR/DS) przeznaczona dla radiologów, która została szczegółowo opisana przez Alkasaba i wsp. w pracy zamieszczonej w J Am Coll Radiol 2017. „Mamy nadzieję, że ten inicjujący krok będzie mógł służyć jako podstawa do wdrożenia otwartego standardu będącego własnością ogółu społeczeństwa, służącego do definiowania wytycznych, które informatycy specjalizujący się w obrazowaniu oraz grupy zajmujące się sprzedażą oprogramowania rozpoznającego głos będą mogły przyjąć i rozwinąć”– stwierdzili autorzy.

W międzyczasie ACR prowadzi prace nad dostosowaniem swoich treści do nowego formatu, zwanego ACR Assist™. Trwające prace mają doprowadzić do powstania struktury wspomagania decyzji klinicznych w ramach skonstruowanych wskazówek klinicznych dla radiologów. ACR Assist™ może być w naturalny sposób włączony do radiologicznej ścieżki postępowania.

Jego podstawowe składniki kliniczne obejmują:

  • Ustrukturyzowaną klasyfikację i taksonomie dotyczące raportowania, takie jak: BI-RADS, LI-RADS oraz PI-RADS
  • Ścieżki i algorytmy postępowania z z nieprzewidywanymi wynikami
  • Potrzeby klasyfikacyjne i komunikacyjne dotyczące wniosków, które mogą być przydatne w działaniu

„Treści te mogą być natychmiast włączane do struktury, która działa w ramach oprogramowania wspomagającego u różnych dostawców” – powiedział Alkasab.

Oddziaływanie praktyczne: nieprzewidywane wyniki

„Oczywiście zapewnianie takiego wsparcia w miejscu opieki nad pacjentem ma pewien wpływ” – stwierdził i podał przykład: W TK jamy brzusznej można przypadkowo zobaczyć guzki znajdujące się u podstawy płuca. Alkasab i współpracownicy określili zgodność z wytycznymi w celu sformułowania zaleceń (J Am Coll Radiol 2016). Uzyskany przez nich wynik: W sytuacji, gdy radiolodzy nie korzystali ze Wspomagania Decyzji Klinicznych (CDS), postępowanie zgodne z wytycznymi odnotowano jedynie w około 50% przypadków. Natomiast, gdy korzystali oni z tego narzędzia, 95% przypadków spełniało kryteria zamieszczone w wytycznych.

„Dla lekarzy kierujących znaczenie ma również to, w jaki sposób to robimy” – wyjaśnił Alkasab: Gdy ustalono zalecenia dotyczące obserwacji, zaistniało dużo większe prawdopodobieństwo, że podejmowane przez nich decyzje dotyczące badań obrazowych wykonywanych w ramach obserwacji będą zgodne z wytycznymi. „A to z kolei ma bezpośredni wpływ na opiekę nad pacjentem.”

Motywacja do stosowania CDS w miejscu opieki nad pacjentem

Radiolodzy mogą przyczynić się do lepszej opieki nad pacjentem poprzez sporządzanie bardziej spójnych raportów. „Możemy również lepiej chronić się przed problemami prawnymi natury medycznej” – stwierdził Alkasab. „Możemy także zademonstrować jakość naszej pracy”, na przykład wówczas, gdy dotyczy ona motywacji finansowych ze strony partnerów lub płatników.

Dodatkowo, narzędzia te umożliwiają wprowadzanie danych z innych źródeł do otoczenia radiologa (upstream). Zapewnia to prawdopodobnie lepszy i bardziej praktyczny efekt pracy radiologów, na przykład poprzez uporządkowane zaleceń lub danych wykorzystywanych do rejestrów i badań (downstream). „Dane te mogą uruchamiać nowe ścieżki postępowania oparte na danych uzyskanych dzięki wynikom badań obrazowych” – podsumował Alkasab.

Dyskusja publiczna

„Jak postąpiłby Pan/postąpiłaby Pani w sytuacjach, gdy diagnostyka wspomagana komputerowo sugerowałaby coś innego niż wynika z Pana/Pani wiedzy jako radiologa – i nie zgadzałby się Pan /nie zgadzałaby się Pani z tymi sugestiami?”

Ramin Khorasani z Harvard Medical School w Bostonie odpowiedział: „W naszym środowisku można przeprowadzić konsultacje, aby być świadomym tego, co sądzą na dany temat koledzy po fachu.”

Tarik Alkasab dodał, że korzystając z systemu Wspomagania Decyzji Klinicznych dla radiologów lub lekarzy kierujących, „należy pamiętać o tym, że nie jest to system, który instaluje się tylko w celu jednorazowego skorzystania, ale należy monitorować sytuację i zachęcać innych do korzystania z niego. Celem nie jest osiągnięcie 100% zgodności.”

Tytuł prezentacji: Aplication of Machine Learning in Clinical Decision Support Systems
Prelegent: Tarik K. Alkasab, Massachusetts General Hospital w Bostonie, MA/USA
Data: 26 listopada 2018 r.
Kod sesji: RCC24D
Źródło:
http://rsna2018.rsna.org/share/?guid=D8034DC2-717D-4C87-ADB2-9C36C7882749
https://radiology.bayer.com/congresses-and-events/congresses/rsna/rsna-2018/scientific-reports/clinical-decision-support-for-better-care