Automatizálás a sugárterápiás munkafolyamatban: hatékonyság, hatékonyság és korlátok – Fizika világa

Automatizálás a sugárterápiás munkafolyamatban: hatékonyság, hatékonyság és korlátok – Fizika világa

Időbélyeg: 31. október 2023. 8:00
Forrás csomópont: 3037169

Míg az automatizálás és a gépi tanulási technológiák nagy ígéretet jelentenek a sugáronkológiai programok számára, az ASTRO éves találkozóján felszólalók arra figyelmeztettek, hogy a klinikai megvalósítás terén továbbra is jelentős kihívások várnak. Joe McEntee jelentések


Laura Williams dozimetria áttekint egy automatizált kezelési tervet
Automatizálás az embereknek Az automatizált kezeléstervezéssel kapcsolatos kihívások beszédtémaként bizonyultak az ASTRO éves találkozó előadói és küldöttei számára. Fent: Laura Williams, a Cone Health dozimetriája áttekint egy automatizált kezelési tervet. (Jóvolt: Cone Health)

A sugáronkológiai munkafolyamat alapfolyamatainak automatizálása felgyorsul, megteremtve a feltételeket a technológiai innovációhoz és a rákkezelési programok tervezése, megvalósítása és kezelése során – nagymértékben – a klinikai fejlõdéshez. Gondoljon a daganatok és szervek szegmentálására, az optimalizált kezelési tervezésre, valamint a kezelési terv minőségbiztosítására, a gépi minőségbiztosításra és a munkafolyamat-kezelésre kiterjedő különféle feladatokra. A szabálykönyvek minden esetben újraírásra kerülnek, köszönhetően az automatizálási és gépi tanulási technológiák által ígért fokozott hatékonyságnak, következetességnek és szabványosításnak.

Ez egy széles vászon, de mi a helyzet a működési részletekkel – és a munkaerőre gyakorolt ​​hatásokkal –, amikor automatizálási eszközöket telepítenek a sugárterápiás klinikán? Ez volt a fő kérdés, amely foglalkoztatta az előadókat egy dedikált konferencia előadásán – A sugáronkológiai klinikai munkafolyamatok automatizálásának kihívásai. ASTRO éves közgyűlése a hónap elején San Diegóban, Kaliforniában.

Közelítsen a sugárterápiás munkafolyamathoz, és megszaporodnak a kérdések. Hosszú távon hogyan néz ki az ember-gép interakció az online adaptív sugárterápia végjátékával szemben, amely az egyes betegek egyedi igényeihez igazodik? Hogyan alakulnak a klinikai csapattagok szerepei az automatizálás növekvő szintjének támogatása és kezelése érdekében? Végül, hogyan kezelik a végfelhasználók az automatizálási rendszerek „fekete doboz” jellegét, amikor az új megjelenésű, egyszerűsített kezelési programok üzembe helyezéséről, érvényesítéséről és ellenőrzéséről van szó?

A tudás hatalom

Amikor automatizálási és gépi tanulási eszközöket alkalmazunk sugárterápiás környezetben, „a megfelelő problémát kell szem előtt tartanunk – olyan dolgokat kell kialakítanunk, amelyek klinikailag relevánsak –, és szem előtt kell tartanunk a megfelelő érdekelt feleket is” – érvelt Tom Purdie, a gyógyszertár orvosi fizikusa. sugárorvosi program at Princess Margaret Cancer Center Torontóban, Kanadában. Ugyanakkor – jegyezte meg – létfontosságú, hogy foglalkozzunk a munkaerővel kapcsolatos aggodalmakkal kapcsolatban, amelyek a klinikán belüli automatizálás bevezetésével együtt járó „domain ismeretek elvesztésével” kapcsolatos aggodalmakkal kapcsolatosak, még akkor is, ha a végfelhasználó felügyeli és kezeli az automatizált eszközöket, miközben elvégzi a munka egyes részeit. a munkafolyamatokat, amelyeket még nem automatizáltak.

Ennek megfelelően az orvosfizikusoknak és a tágabb, több tudományágat átfogó gondozási csapatnak újra kell képzelniük szerepüket, hogy optimalizálják hozzájárulásukat ebben az „offline” módban. „Tehát ahelyett, hogy minden pácienst megvizsgálnánk és kezelhetnénk őket” – tette hozzá Purdie, „a mi hozzájárulásunk a [gépi tanulási] modellek felépítéséhez fog szólni – hogy biztosítsuk az adatkezelést, és a megfelelő adatok kerüljenek be. és hogy van adatkezelés. Ez a módja annak, hogy megőrizzük szakterületi tudásunkat, és továbbra is biztosítsuk a minőséget és a biztonságot [a betegek számára].”

David Wiant
David Wiant „A klinikának világos tervvel kell rendelkeznie az automatizált tervezés megvalósítására… Ha nem, akkor gyorsan problémákba ütközhet.” (Jóvolt: Cone Health)

Eközben az automatizált kezelési tervezés bevezetése körüli technikai és emberi tényezőkhöz kapcsolódó kihívások szolgáltatták a narratívát David Wiantnek, a kórház vezető orvosfizikusának. Cone Health, egy non-profit egészségügyi hálózat, amelynek székhelye Greensboro, NC. Az automatizált tervezés (AP) motivációi elég egyértelműek – a rákos diagnózisok könyörtelenül felfelé ívelő pályája az elkövetkező évek összes előrejelzésében. „Fontos, hogy a lehető leggyorsabban kezeljük ezeket az embereket” – mondta Wiant a küldötteknek.

Az AP klinikai sikerének kulcsa az alkalmazás előtti akadályok felismerésében és szisztematikus kezelésében rejlik. A munkafolyamat-integráció jó példa erre. "A klinikának világos tervvel kell rendelkeznie az AP megvalósítására – ki működteti, mikor használják, milyen esetekben" – jegyezte meg Wiant. "Ha nem, akkor gyorsan problémákba ütközhet."

Aztán ott van a megbízhatóság és az a tény, hogy az AP nem várt eredményeket produkál. „Lesznek olyan esetek, amikor jó, tiszta szabványos betegadatokat visz be, és olyan eredményt kap, amelyre nem számított” – folytatta. Ennek szinte mindig az az oka, hogy a betegadatok szokatlan tulajdonságokkal rendelkeznek – például beültetett eszközök (vagy idegen tárgyak) vagy esetleg egy korábbi sugárkezelésen átesett páciens.

Wiant szerint a válasz az, hogy a sugáronkológiai csapat alapos ismeretekkel rendelkezzen az AP-ról, hogy megértsék a megbízhatósági problémákat – és ezt a tudást felhasználják a manuális tervezést igénylő esetek azonosítására. Ugyanakkor arra a következtetésre jutott, hogy "fontos azonosítani a véletlenszerű hibaforrásokat, amelyek egyediek lehetnek az AP-re, és ellenőrzéseket kell hozzáadni a mérsékléshez [miközben] továbbra is kiterjesztik az AP-t a nem szabványos esetek kezelésére."

Az önelégültség elleni védekezés

A munkafolyamat későbbi szakaszában az automatizált kezeléstervezési minőségbiztosítás bevezetése során rengeteg kérdést kell megfontolni – magyarázta Elizabeth Covington egyetemi docens, a sugárzás onkológiai osztályának minőségi és biztonsági igazgatója. Michigan Medicine, University of Michigan (Ann Arbor, MI).

Elizabeth Covington
Elizabeth Covington "Egyelőre az automatizálás megoldhat néhány problémát, de nem minden problémát." (Jóvolt: Michigan Medicine)

A Covington által „tökéletlen automatizálásnak” nevezett kezelési minőségbiztosítás elkerülése érdekében elengedhetetlen, hogy a kockázati tényezőket előre, a bevezetés előtt megértsük. Ezek közül a legfõbb az automatizálási önelégültség (az automatizálási rendszerek felügyeletének elmulasztása) és az automatizálási elfogultság (a végfelhasználók azon tendenciája, hogy az automatizált döntéshozatali rendszereket részesítsék elõnyben az ellentmondásos információkkal szemben, még akkor is, ha az utóbbi helyes).

„Fontos, hogy amikor elkezdi használni ezeket az [automatikus terv-minőségbiztosítási] rendszereket, megértse a korlátokat” – mondta Covington. „[Például] nem akarja túl korán kiadni az automatikus ellenőrzéseket, amelyek hamis pozitív eredményt adnak, mert a felhasználók érzékenyebbé válnak a rendszerjelzők iránt.”

Covington szerint a részletes szoftverdokumentáció is kötelező. „A dokumentáció a barátod – mondta a küldötteknek –, hogy az egész csapat – fizikusok, dozimetrikusok, terapeuták – tudja, mit csinálnak ezek az automatikus ellenőrzések, és teljesen megérti, mit mond nekik az automatizálás.”

Az utolsó „kötelező” az automatizálási szoftver jövőbeli kockázatelemzése – legyen szó egyedileg épített házon belüli kódról vagy egy kereskedelmi szállítótól származó, harmadik féltől származó termékről. „Mielőtt kiadja a szoftvert – jegyezte meg Covington –, valóban meg kell értenie, milyen kockázatokkal és veszélyekkel jár, ha integrálja ezt a szoftvert a klinikai munkafolyamatba.”

Ezt szem előtt tartva Covington elmagyarázta, hogy ő és a Michigan Medicine munkatársai hogyan számszerűsítik az automatizálási eszközök kockázatait az úgynevezett „szoftverkockázati szám” (SRN) alapján. Az SRN lényegében három különálló bemenet mátrixa: populáció (a betegpopuláció közvetlen mértéke, amelyre az eszköz hatással lesz); szándék (hogyan fogják használni a szoftvert a klinikai döntéshozatalban, és mennyire képes akutan befolyásolni a betegek kimenetelét); és összetettség (az annak mértéke, hogy mennyire nehéz egy független lektornak hibát találni a szoftverben).

Covington egy figyelmeztető megjegyzéssel zárta: „Egyelőre az automatizálás megoldhat néhány problémát, de nem minden problémát. Ez új problémákat is okozhat – olyan problémákat, amelyekre nem számítasz.”

Időbélyeg:

Még több Fizika Világa