Avtomatizacija v delovnem toku radioterapije: učinkovitost, uspešnost in omejitve – Physics World

Avtomatizacija temeljnih procesov v delovnem toku radiološke onkologije se pospešuje, s čimer se ustvarjajo pogoji za tehnološke inovacije in klinični napredek – v velikem obsegu – pri načrtovanju, izvedbi in upravljanju programov zdravljenja raka. Pomislite na segmentacijo tumorjev in organov, optimizirano načrtovanje zdravljenja, pa tudi vrsto različnih nalog, ki zajemajo zagotavljanje kakovosti načrta zdravljenja, zagotavljanje kakovosti stroja in upravljanje poteka dela. V vsakem primeru se pravilniki na novo pišejo zaradi povečane učinkovitosti, doslednosti in standardizacije, ki jo obljubljata avtomatizacija in tehnologije strojnega učenja.

To je široko področje, toda kaj pa operativne podrobnosti – in vplivi na delovno silo – pri uvajanju orodij za avtomatizacijo v kliniki za radioterapijo? To je bilo glavno vprašanje, ki je skrbelo govorce na namenskem konferenčnem zasedanju – Izzivi za avtomatizacijo kliničnih delovnih tokov radiacijske onkologije – na Letno srečanje ASTRO v San Diegu, CA, v začetku tega meseca.

Povečajte potek dela z radioterapijo in vprašanja se množijo. Kako dolgoročno izgledajo interakcije med človekom in strojem v primerjavi s končno igro spletne prilagodljive radioterapije, prilagojene edinstvenim zahtevam vsakega bolnika? Kako se bodo razvile vloge članov kliničnega tima, da bodo podpirali in upravljali naraščajoče ravni avtomatizacije? Nazadnje, kako končni uporabniki obvladujejo naravo "črne skrinjice" sistemov za avtomatizacijo, ko gre za zagon, potrjevanje in spremljanje novih, poenostavljenih programov zdravljenja?

Znanje je moč

Pri uvajanju orodij za avtomatizacijo in strojno učenje v radioterapevtskem okolju bi morali imeti »v mislih pravo težavo – zgraditi stvari, ki so klinično pomembne – in imeti v mislih tudi prave zainteresirane strani,« je trdil Tom Purdie, zaposleni medicinski fizik v program radiomedicine pri Center za rak princese Margarete v Torontu, Kanada. Hkrati je opozoril, da je ključnega pomena obravnavati pomisleke delovne sile glede zaznane "izgube znanja o domeni", ki prihaja z implementacijo avtomatizacije v kliniki, tudi ko končni uporabnik nadzira in upravlja avtomatizirana orodja, medtem ko še vedno dokonča dele potek dela, ki jih je treba še avtomatizirati.

Kot taki bodo morali medicinski fiziki in širša skupina meddisciplinarne oskrbe ponovno zamisliti svoje vloge, da bi optimizirali svoj prispevek v tem načinu »brez povezave«. »Torej, namesto da bi pregledali vsakega pacienta in se lahko z njim ukvarjali,« je dodal Purdie, »bo naš prispevek o tem, kako so zgrajeni modeli [strojnega učenja] – da zagotovimo upravljanje podatkov, vstop pravih podatkov, in da obstaja kuriranje podatkov. To je način, kako ohraniti naše znanje o področju in še vedno zagotoviti kakovost in varnost [za paciente].«

Medtem pa so tehnični in s človeškim faktorjem povezani izzivi v zvezi s sprejetjem avtomatiziranega načrtovanja zdravljenja zagotovili pripoved za Davida Wianta, višjega medicinskega fizika pri Stožec Zdravje, neprofitna mreža zdravstvenih storitev s sedežem v Greensboroju, NC. Motivi za avtomatizirano načrtovanje (AP) so dovolj jasni – neusmiljena naraščajoča pot diagnoz raka v vseh napovedih za prihodnja leta. "Pomembno je, da te ljudi obravnavamo čim hitreje," je Wiant dejal delegatom.

Ključ do kliničnega uspeha z AP je v prepoznavanju – in sistematičnem obravnavanju – ovir za njegovo uporabo. Primer tega je integracija delovnega toka. "Klinika mora imeti jasen načrt, kako izvajati AP - kdo ga vodi, kdaj se uporablja, v katerih primerih," je opozoril Wiant. "Če ne, lahko hitro naletite na težave."

Potem sta tu še zanesljivost in dejstvo, da lahko AP ustvari nepričakovane rezultate. "Prihajajo primeri, ko boste vnesli tisto, kar mislite, da je dober, čist nabor standardnih podatkov o pacientih, in dobili boste rezultat, ki ga ne pričakujete," je nadaljeval. To je skoraj vedno zato, ker imajo podatki o pacientih nekaj nenavadnih lastnosti – na primer vsajene naprave (ali tujke) ali morda pacienta, ki je bil predhodno že zdravljen z obsevanjem.

Odgovor, kot je dejal Wiant, je zagotoviti ekipi za radiološko onkologijo natančno poznavanje AP, da bi razumeli morebitne težave z zanesljivostjo – in uporabiti to znanje za prepoznavanje primerov, ki potrebujejo ročno načrtovanje. Hkrati je zaključil, "pomembno je identificirati vire naključnih napak, ki so lahko edinstvene za AP, in dodati preverjanja za ublažitev [medtem] še naprej širiti AP za obravnavo nestandardnih primerov."

Varovanje pred samozadovoljstvom

Nadalje v poteku dela obstaja veliko vprašanj, ki jih je treba upoštevati pri uvedbi zagotavljanja kakovosti za avtomatizirano načrtovanje zdravljenja, je pojasnila Elizabeth Covington, izredna profesorica in direktorica kakovosti in varnosti na oddelku za radiološko onkologijo pri Michiganska medicina, Univerza v Michiganu (Ann Arbor, MI).

Da bi se izognili temu, kar Covington imenuje "nepopolna avtomatizacija" pri načrtovanju zdravljenja, je bistvenega pomena razumeti dejavnike tveganja vnaprej, pred uvedbo. Glavna med njimi sta avtomatizirana samozadovoljnost (nezmožnost zadostne pazljivosti pri nadzoru avtomatskih sistemov) in avtomatizirana pristranskost (nagnjenost končnih uporabnikov, da dajejo prednost avtomatiziranim sistemom odločanja pred protislovnimi informacijami, tudi če so slednje pravilne).

»Ko začnete uporabljati te [avtomatizirane načrte QA] sisteme, je pomembno, da razumete omejitve,« je dejal Covington. "[Na primer] ne želite prezgodaj izdati samodejnih preverjanj, ki bodo dala lažno pozitivne rezultate, ker bodo uporabniki postali desenzibilizirani za sistemske zastavice."

Obvezna je tudi natančna programska dokumentacija, trdi Covington. "Dokumentacija je vaš prijatelj," je dejala delegatom, "tako da celotna ekipa - fiziki, dozimetristi, terapevti - ve, kaj počnejo ti samodejni pregledi, in v celoti razume, kaj jim sporoča avtomatizacija."

Zadnji "must-have" je prospektivna analiza tveganja programske opreme za avtomatizacijo – ne glede na to, ali gre za lastno kodo po meri ali izdelek tretje osebe komercialnega prodajalca. "Preden izdate programsko opremo," je dejal Covington, "morate resnično razumeti, kakšna so tveganja in nevarnosti integracije te programske opreme v vaš klinični potek dela."

Protonska terapija na poti navzgor, medtem ko so sheme zdravljenja FLASH pripravljene zasijati

S tem v mislih je Covington pojasnila, kako ona in njeni kolegi iz Michigan Medicine kvantificirajo tveganja orodij za avtomatizacijo v smislu tako imenovane "številke tveganja programske opreme" (SRN). SRN je v bistvu matrika treh ločenih vhodov: prebivalstvo (neposredna mera populacije bolnikov, na katero bo orodje vplivalo); namen (kako se bo programska oprema uporabljala pri kliničnem odločanju in njena sposobnost, da močno vpliva na rezultate bolnikov); in kompleksnost (merilo, kako težko je neodvisni pregledovalec najti napako v programski opremi).

Covington je sklenil opozorilo: »Zaenkrat lahko avtomatizacija reši nekatere težave, ne pa vseh. Lahko povzroči tudi nove težave – težave, ki jih ne pričakujete.«

• Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
• PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
• PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
• PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
• PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
• vir: https://physicsworld.com/a/automation-in-the-radiotherapy-workflow-efficiency-effectiveness-and-limitations/