Automation In The Radiotherapy Workflow: Efficiency, Effectiveness And Limitations

Republicado por Platão

seguidores: 0

Embora as tecnologias de automação e aprendizado de máquina sejam uma grande promessa para os programas de radioterapia oncológica, os palestrantes da Reunião Anual ASTRO alertaram que ainda restam desafios significativos quando se trata de implementação clínica. Joe McEntee relatórios

A dosimetrista Laura Williams analisa um plano de tratamento automatizado — **Automação para as pessoas** Os desafios em torno do planejamento automatizado do tratamento provaram ser um tema de discussão para palestrantes e delegados na Reunião Anual da ASTRO. Acima: Laura Williams, dosimetrista da Cone Health, analisa um plano de tratamento automatizado. (Cortesia: Cone Saúde)

A automatização de processos essenciais no fluxo de trabalho da radioterapia oncológica está a acelerar, criando as condições para a inovação tecnológica e vantagens clínicas – em escala – em todo o planeamento, entrega e gestão de programas de tratamento do cancro. Pense na segmentação de tumores e órgãos, no planejamento de tratamento otimizado, bem como em uma variedade de tarefas diversas que abrangem controle de qualidade do plano de tratamento, controle de qualidade da máquina e gerenciamento de fluxo de trabalho. Os livros de regras, em todos os casos, estão a ser reescritos graças à maior eficiência, consistência e padronização prometidas pelas tecnologias de automação e aprendizagem automática.

Esse é um cenário amplo, mas e os detalhes operacionais – e os impactos na força de trabalho – ao implantar ferramentas de automação na clínica de radioterapia? Esta foi a questão principal que preocupou os palestrantes em uma sessão de conferência dedicada – Desafios à Automação de Fluxos de Trabalho Clínicos de Oncologia por Radiação – no Reunião Anual da ASTRO em San Diego, CA, no início deste mês.

Amplie o fluxo de trabalho da radioterapia e as perguntas proliferarão. A longo prazo, como são as interações homem-máquina em comparação com o resultado final da radioterapia adaptativa on-line, adaptada às necessidades exclusivas de cada paciente? Como evoluirão as funções dos membros da equipe clínica para apoiar e gerenciar níveis crescentes de automação? Finalmente, como os usuários finais gerenciam a natureza de “caixa preta” dos sistemas de automação quando se trata de comissionamento, validação e monitoramento de programas de tratamento simplificados e com novo visual?

Conhecimento é poder

Ao implantar ferramentas de automação e aprendizado de máquina em um ambiente de radioterapia, “devemos ter o problema certo em mente – construir coisas que sejam clinicamente relevantes – e também ter em mente as partes interessadas certas”, argumentou Tom Purdie, físico médico da equipe do programa de medicina de radiação em Princess Margaret Cancer Center em Toronto, Canadá. Ao mesmo tempo, observou ele, é vital abordar as preocupações da força de trabalho sobre a percepção da “perda de conhecimento de domínio” que surge com a implementação da automação na clínica, mesmo quando o usuário final supervisiona e gerencia ferramentas automatizadas enquanto ainda completa partes do trabalho. o fluxo de trabalho que ainda não foi automatizado.

Como tal, os físicos médicos e a equipa de cuidados interdisciplinares em geral terão de reimaginar os seus papéis para optimizar a sua contribuição neste modo “offline”. “Portanto, em vez de olhar para cada paciente e ser capaz de lidar com eles”, acrescentou Purdie, “nossa contribuição será sobre como os modelos [de aprendizado de máquina] são construídos – para garantir que haja governança de dados, que os dados corretos sejam recebidos, e que há curadoria de dados. Essa é a forma de manter nosso conhecimento do domínio e ainda garantir qualidade e segurança [para os pacientes].”

**David Wiant** “Uma clínica precisa ter um plano claro sobre como implementar o planejamento automatizado… Caso contrário, você poderá ter problemas rapidamente.” (Cortesia: Cone Saúde)

Enquanto isso, os desafios técnicos e humanos relacionados à adoção do planejamento automatizado do tratamento forneceram a narrativa para David Wiant, físico médico sênior da Cone Saúde, uma rede de saúde sem fins lucrativos com sede em Greensboro, NC. As motivações para o planeamento automatizado (PA) são bastante claras – a incessante trajetória ascendente dos diagnósticos de cancro em todas as previsões para os próximos anos. “É importante tratarmos estas pessoas o mais rápido possível”, disse Wiant aos delegados.

A chave para o sucesso clínico da AP reside no reconhecimento – e na abordagem sistemática – dos obstáculos à sua implantação. A integração do fluxo de trabalho é um exemplo disso. “Uma clínica precisa de ter um plano claro sobre como implementar a AP – quem a administra, quando é usada, em que casos”, observou Wiant. “Do contrário, você poderá ter problemas rapidamente.”

Depois, há a confiabilidade e o fato de que o AP pode produzir resultados inesperados. “Haverá casos em que você inserirá o que considera ser um conjunto bom e limpo de dados padrão do paciente e obterá um resultado inesperado”, continuou ele. Isso ocorre quase sempre porque os dados do paciente apresentam algumas características incomuns – por exemplo, dispositivos implantados (ou objetos estranhos) ou talvez um paciente que tenha sido submetido a um tratamento anterior de radiação.

A resposta, postulou Wiant, é garantir que a equipe de radioterapia oncológica tenha conhecimento profundo do AP para compreender quaisquer problemas de confiabilidade – e usar esse conhecimento para identificar casos que necessitam de planejamento manual. Ao mesmo tempo, concluiu ele, “é importante identificar fontes de erros aleatórios que podem ser exclusivas da AP e adicionar verificações para mitigar [enquanto] continuamos a estender a AP para lidar com casos fora do padrão”.

Protegendo-se contra a complacência

Mais adiante no fluxo de trabalho, há muitas questões a serem consideradas com a implementação do controle de qualidade automatizado do planejamento do tratamento, explicou Elizabeth Covington, professora associada e diretora de qualidade e segurança no departamento de radiação oncológica da Medicina de Michigan, Universidade de Michigan (Ann Arbor, MI).

**Elizabeth Covington** “Por enquanto, a automação pode resolver alguns problemas, mas não todos os problemas.” (Cortesia: Medicina de Michigan)

Para evitar o que Covington chama de “automação imperfeita” no controle de qualidade do planejamento do tratamento, é vital compreender antecipadamente os fatores de risco, antes da implementação. As principais delas são a complacência da automação (a incapacidade de ser suficientemente vigilante na supervisão dos sistemas de automação) e o preconceito da automação (a tendência dos utilizadores finais de favorecerem sistemas automatizados de tomada de decisões em detrimento de informações contraditórias, mesmo que estas últimas estejam corretas).

“É importante, quando você começar a usar esses sistemas [de controle de qualidade de plano automatizado], compreender as limitações”, disse Covington. “[Por exemplo], você não deseja liberar verificações automáticas muito cedo, pois darão falsos positivos porque os usuários ficarão insensíveis aos sinalizadores do sistema.”

A documentação granular do software também é obrigatória, argumenta Covington. “A documentação é sua amiga”, disse ela aos delegados, “para que toda a equipe – físicos, dosimetristas, terapeutas – saiba o que essas verificações automáticas estão fazendo e entenda perfeitamente o que a automação está lhes dizendo”.

O “must-have” final é a análise de risco prospectiva do software de automação – seja um código interno personalizado ou um produto de terceiros de um fornecedor comercial. “Antes de lançar o software”, observou Covington, “você realmente precisa entender quais são os riscos e perigos da integração deste software em seu fluxo de trabalho clínico”.

Terapia de prótons em trajetória ascendente enquanto esquemas de tratamento FLASH se preparam para brilhar

Com isto em mente, Covington explicou como ela e seus colegas da Michigan Medicine quantificam os riscos das ferramentas de automação em termos do chamado “número de risco de software” (SRN). O SRN é essencialmente uma matriz de três entradas distintas: população (uma medida direta da população de pacientes que a ferramenta irá impactar); intenção (como o software será usado na tomada de decisões clínicas e sua capacidade de impactar de forma aguda os resultados dos pacientes); e complexidade (uma medida de quão difícil é para um revisor independente encontrar um erro no software).

Covington concluiu com uma nota de advertência: “Por enquanto, a automação pode resolver alguns problemas, mas não todos os problemas. Também pode causar novos problemas – questões que você não prevê.”