Automatisierung im Strahlentherapie-Workflow: Effizienz, Wirksamkeit und Einschränkungen – Physics World

Die Automatisierung von Kernprozessen im Arbeitsablauf in der Radioonkologie beschleunigt sich und schafft die Voraussetzungen für technologische Innovationen und klinische Vorteile – in großem Maßstab – bei der Planung, Durchführung und Verwaltung von Krebsbehandlungsprogrammen. Denken Sie an die Segmentierung von Tumoren und Organen, eine optimierte Behandlungsplanung sowie an eine Reihe verschiedener Aufgaben, die die Qualitätssicherung von Behandlungsplänen, die Qualitätssicherung von Maschinen und das Workflow-Management umfassen. Die Regelwerke werden in jedem Fall neu geschrieben, dank der verbesserten Effizienz, Konsistenz und Standardisierung, die Automatisierungs- und maschinelle Lerntechnologien versprechen.

Das ist ein weites Feld, aber wie sieht es mit den betrieblichen Details – und den Auswirkungen auf die Belegschaft – beim Einsatz von Automatisierungstools in der Strahlentherapieklinik aus? Dies war die Hauptfrage, die die Redner einer speziellen Konferenzsitzung zum Thema „Challenges to Automation of Radiation Oncology Clinical Workflows“ beschäftigte ASTRO-Jahrestagung in San Diego, Kalifornien, Anfang dieses Monats.

Wenn Sie sich den Strahlentherapie-Workflow genauer ansehen, häufen sich die Fragen. Wie sehen die Mensch-Maschine-Interaktionen auf lange Sicht im Vergleich zum Endspiel einer adaptiven Online-Strahlentherapie aus, die auf die individuellen Anforderungen jedes Patienten zugeschnitten ist? Wie werden sich die Rollen der klinischen Teammitglieder weiterentwickeln, um den zunehmenden Automatisierungsgrad zu unterstützen und zu verwalten? Und schließlich: Wie bewältigen Endbenutzer den „Black-Box“-Charakter von Automatisierungssystemen, wenn es um die Inbetriebnahme, Validierung und Überwachung neu gestalteter, optimierter Behandlungsprogramme geht?

Wissen ist Macht

Beim Einsatz von Automatisierungs- und maschinellen Lerntools in einer Strahlentherapieumgebung „sollten wir das richtige Problem im Auge haben – Dinge entwickeln, die klinisch relevant sind – und auch die richtigen Interessengruppen im Auge behalten“, argumentierte Tom Purdie, angestellter Medizinphysiker in der Strahlentherapie Strahlenmedizin-Programm bei Princess Margaret Cancer Center in Toronto, Kanada. Gleichzeitig sei es von entscheidender Bedeutung, die Bedenken der Belegschaft hinsichtlich des wahrgenommenen „Verlusts von Domänenwissen“ auszuräumen, der mit der Implementierung der Automatisierung in der Klinik einhergeht, selbst wenn der Endbenutzer automatisierte Tools überwacht und verwaltet, während er noch Teile davon ausführt den Workflow, die noch automatisiert werden müssen.

Daher müssen Medizinphysiker und das breitere interdisziplinäre Pflegeteam ihre Rollen neu definieren, um ihren Beitrag in diesem „Offline“-Modus zu optimieren. „Anstatt also jeden Patienten zu betrachten und mit ihm umgehen zu können“, fügte Purdie hinzu, „wird unser Beitrag darin bestehen, wie [maschinelle Lern-]Modelle aufgebaut werden – um sicherzustellen, dass es eine Datenverwaltung gibt, dass die richtigen Daten eingehen, und dass es eine Datenkuration gibt. Auf diese Weise können wir unser Fachwissen bewahren und dennoch Qualität und Sicherheit [für Patienten] gewährleisten.“

Unterdessen lieferten die technischen und menschlichen Herausforderungen im Zusammenhang mit der Einführung der automatisierten Behandlungsplanung die Grundlage für David Wiant, einen leitenden Medizinphysiker bei Kegelgesundheit, ein gemeinnütziges Gesundheitsnetzwerk mit Sitz in Greensboro, NC. Die Beweggründe für die automatisierte Planung (Automated Planning, AP) liegen auf der Hand – der unaufhörliche Anstieg der Krebsdiagnosen in allen Prognosen für die kommenden Jahre. „Es ist wichtig, dass wir diese Menschen so schnell wie möglich behandeln“, sagte Wiant den Delegierten.

Der Schlüssel zum klinischen Erfolg mit AP liegt darin, die Hürden für den Einsatz zu erkennen und systematisch anzugehen. Ein typisches Beispiel hierfür ist die Workflow-Integration. „Eine Klinik muss einen klaren Plan haben, wie AP implementiert werden soll – wer es betreibt, wann es verwendet wird und in welchen Fällen“, bemerkte Wiant. „Wenn nicht, kann es schnell zu Problemen kommen.“

Hinzu kommen die Zuverlässigkeit und die Tatsache, dass AP unerwartete Ergebnisse liefern kann. „Es wird Fälle geben, in denen Sie Ihrer Meinung nach gute und saubere Standard-Patientendaten eingeben und ein Ergebnis erhalten, das Sie nicht erwartet haben“, fuhr er fort. Das liegt fast immer daran, dass die Patientendaten einige ungewöhnliche Merkmale aufweisen – zum Beispiel implantierte Geräte (oder Fremdkörper) oder vielleicht ein Patient, der sich bereits einer Strahlenbehandlung unterzogen hat.

Die Antwort, postulierte Wiant, bestehe darin, sicherzustellen, dass das Team für Radioonkologie über genaue Kenntnisse des AP verfügt, um etwaige Zuverlässigkeitsprobleme zu verstehen – und dieses Wissen zu nutzen, um Fälle zu identifizieren, die einer manuellen Planung bedürfen. Gleichzeitig kam er zu dem Schluss: „Es ist wichtig, zufällige Fehlerquellen zu identifizieren, die möglicherweise nur bei AP auftreten, und Kontrollen zur Abschwächung hinzuzufügen, während AP weiterhin auf die Bearbeitung nicht standardmäßiger Fälle ausgeweitet wird.“

Sich vor Selbstzufriedenheit schützen

Weiter unten im Arbeitsablauf gibt es bei der Einführung der automatisierten Qualitätssicherung für die Behandlungsplanung zahlreiche Probleme zu berücksichtigen, erklärte Elizabeth Covington, außerordentliche Professorin und Direktorin für Qualität und Sicherheit in der Abteilung für Radioonkologie bei Michigan Medizin, University of Michigan (Ann Arbor, MI).

Um das zu vermeiden, was Covington als „unvollkommene Automatisierung“ bei der Qualitätssicherung der Behandlungsplanung bezeichnet, ist es wichtig, die Risikofaktoren vor der Implementierung zu verstehen. Dazu gehören vor allem Selbstgefälligkeit bei der Automatisierung (das Versäumnis, bei der Überwachung von Automatisierungssystemen ausreichend wachsam zu sein) und Automatisierungsvoreingenommenheit (die Tendenz von Endbenutzern, automatisierte Entscheidungssysteme gegenüber widersprüchlichen Informationen zu bevorzugen, selbst wenn letztere korrekt sind).

„Wenn Sie mit der Nutzung dieser [automatisierten Plan-QA-]Systeme beginnen, ist es wichtig, die Einschränkungen zu verstehen“, sagte Covington. „[Zum Beispiel] möchten Sie Autochecks nicht zu früh veröffentlichen, die falsch positive Ergebnisse liefern, weil Benutzer gegenüber den Systemflags desensibilisiert werden.“

Auch eine detaillierte Softwaredokumentation sei Pflicht, argumentiert Covington. „Dokumentation ist Ihr Freund“, sagte sie den Delegierten, „damit das gesamte Team – Physiker, Dosimetristen, Therapeuten – weiß, was diese Autochecks tun, und vollständig versteht, was die Automatisierung ihnen sagt.“

Das letzte „Must-have“ ist eine prospektive Risikoanalyse der Automatisierungssoftware – unabhängig davon, ob es sich um maßgeschneiderten internen Code oder um ein Drittanbieterprodukt eines kommerziellen Anbieters handelt. „Bevor Sie die Software veröffentlichen“, bemerkte Covington, „müssen Sie wirklich verstehen, welche Risiken und Gefahren die Integration dieser Software in Ihren klinischen Arbeitsablauf mit sich bringt.“

Die Protonentherapie ist auf dem Vormarsch, während die FLASH-Behandlungsprogramme auf Hochtouren laufen

Vor diesem Hintergrund erklärte Covington, wie sie und ihre Kollegen von Michigan Medicine die Risiken von Automatisierungstools anhand der sogenannten „Software Risk Number“ (SRN) quantifizieren. Das SRN ist im Wesentlichen eine Matrix aus drei diskreten Eingaben: Population (ein direktes Maß für die Patientenpopulation, auf die das Tool Einfluss hat); Absicht (wie die Software bei der klinischen Entscheidungsfindung eingesetzt wird und welche Fähigkeit sie hat, die Patientenergebnisse nachhaltig zu beeinflussen); und Komplexität (ein Maß dafür, wie schwierig es für einen unabhängigen Prüfer ist, einen Fehler in der Software zu finden).

Covington schloss mit einer warnenden Bemerkung: „Im Moment kann Automatisierung einige Probleme lösen, aber nicht alle Probleme. Es kann auch neue Probleme verursachen – Probleme, mit denen Sie nicht rechnen.“

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://physicsworld.com/a/automation-in-the-radiotherapy-workflow-efficiency-effectiveness-and-limitations/