Автоматизація робочого процесу променевої терапії: ефективність, ефективність та обмеження – Physics World

Автоматизація основних процесів у робочому процесі радіаційної онкології прискорюється, створюючи умови для технологічних інновацій і клінічних переваг – у масштабі – у плануванні, виконанні та управлінні програмами лікування раку. Подумайте про сегментацію пухлини та органу, оптимізоване планування лікування, а також низку різноманітних завдань, що охоплюють план лікування, забезпечення якості обладнання та керування робочим процесом. Збірники правил у кожному разі переписуються завдяки підвищеній ефективності, послідовності та стандартизації, які обіцяють технології автоматизації та машинного навчання.

Це широке полотно, але як щодо операційних деталей – і впливу на робочу силу – під час розгортання засобів автоматизації в клініці променевої терапії? Це було головне питання, яке хвилювало доповідачів на спеціальній сесії конференції – Проблеми автоматизації клінічних робочих процесів радіаційної онкології – на Щорічна зустріч ASTRO у Сан-Дієго, Каліфорнія, на початку цього місяця.

Збільште масштаб цього робочого процесу променевої терапії, і запитань пошириться. Як у довгостроковій перспективі виглядають взаємодії людини та машини в порівнянні з кінцевою схемою онлайн-адаптивної променевої терапії, адаптованої до унікальних вимог кожного пацієнта? Як змінюватимуться ролі членів клінічної команди, щоб підтримувати та керувати зростаючими рівнями автоматизації? Нарешті, як кінцевим користувачам керувати «чорною скринькою» систем автоматизації, коли справа доходить до введення в експлуатацію, валідації та моніторингу нових, оптимізованих програм лікування?

Знання це сила

Розгортаючи інструменти автоматизації та машинного навчання в умовах променевої терапії, «ми повинні мати на увазі правильну проблему – створювати речі, які є клінічно значущими – а також мати на увазі правильних зацікавлених сторін», – стверджував Том Перді, штатний медичний фізик у програма радіаційної медицини при Центр раку принцеси Маргарет в Торонто, Канада. У той же час, зазначив він, життєво важливо розв’язати занепокоєння працівників щодо передбачуваної «втрати знань про предметну область», яка виникає із запровадженням автоматизації в клініці, навіть коли кінцевий користувач наглядає та керує автоматизованими інструментами, але все ще виконує частини робочий процес, який ще належить автоматизувати.

Таким чином, медичним фізикам і ширшій міждисциплінарній команді необхідно буде переглянути свої ролі, щоб оптимізувати свій внесок у цей «офлайновий» режим. «Тож замість того, щоб дивитися на кожного пацієнта й мати з ним справу, — додав Перді, — наш внесок буде зосереджено на тому, як будуються моделі [машинного навчання] — щоб забезпечити управління даними, надходження правильних даних, і що є контроль даних. Це спосіб підтримувати наші знання в галузі та все ще гарантувати якість і безпеку [для пацієнтів]».

Тим часом, технічні та людські проблеми, пов’язані з впровадженням автоматизованого планування лікування, дали розповідь для Девіда Віанта, старшого медичного фізика в Конус здоров'я, некомерційна мережа охорони здоров’я, розташована в Грінсборо, штат Північна Кароліна. Мотивація автоматизованого планування (AP) досить ясна – невпинна висхідна траєкторія діагностики раку в усіх прогнозах на найближчі роки. «Важливо, щоб ми лікували цих людей якомога швидше», — сказав Віант делегатам.

Ключ до клінічного успіху AP полягає у розпізнаванні – і систематичному усуненні – перешкод на шляху його розгортання. Інтеграція робочого процесу є яскравим прикладом. «Клініка повинна мати чіткий план, як запроваджувати AP – хто ним керує, коли він використовується, у яких випадках», – зазначив Віант. «Якщо ні, ви можете швидко зіткнутися з проблемами».

Крім того, є надійність і той факт, що AP може давати несподівані результати. «Будуть випадки, коли ви введете те, що, на вашу думку, є хорошим, чистим набором стандартних даних пацієнта, і ви отримаєте результат, якого не очікуєте», — продовжив він. Це майже завжди тому, що дані пацієнта мають деякі незвичайні особливості – наприклад, імплантовані пристрої (або сторонні предмети) або, можливо, пацієнта, який пройшов попередній курс променевої терапії.

Відповідь, стверджує Віант, полягає в тому, щоб команда радіаційної онкології володіла глибокими знаннями про AP, щоб зрозуміти будь-які проблеми з надійністю, і використовувати ці знання для виявлення випадків, які потребують ручного планування. У той же час він зробив висновок: «важливо визначити джерела випадкових помилок, які можуть бути унікальними для AP, і додати перевірки для пом’якшення [одночасно] продовжуючи розширювати AP для обробки нестандартних випадків».

Захист від самовдоволення

Далі в робочому процесі є багато проблем, які слід розглянути під час розгортання автоматизованого планування лікування QA, пояснила Елізабет Ковінгтон, доцент і директор із якості та безпеки у відділенні радіаційної онкології в Мічиганська медицина, Мічиганський університет (Енн-Арбор, Мічиган).

Щоб уникнути того, що Ковінгтон називає «недосконалою автоматизацією» у плануванні лікування, важливо заздалегідь зрозуміти фактори ризику, до впровадження. Головними з них є самовдоволення автоматизації (нездатність бути достатньо пильним у нагляді за системами автоматизації) та упередженість автоматизації (тенденція кінцевих користувачів віддавати перевагу автоматизованим системам прийняття рішень над суперечливою інформацією, навіть якщо остання правильна).

«Коли ви починаєте використовувати ці [автоматизовані системи контролю якості плану], важливо розуміти обмеження, — сказав Ковінгтон. «[Наприклад], ви не хочете надто рано випускати автоперевірки, які дадуть помилкові спрацьовування, тому що користувачі втратять чутливість до системних прапорів».

Докладна документація щодо програмного забезпечення також є обов’язковою, стверджує Ковінгтон. «Документація — ваш друг, — сказала вона делегатам, — щоб уся команда — фізики, дозиметристи, терапевти — знала, що роблять ці автоматичні перевірки, і повністю розуміла, що їм повідомляє автоматика».

Останнім «обов’язковим» є перспективний аналіз ризиків програмного забезпечення для автоматизації – незалежно від того, чи це власний код, створений на замовлення, чи продукт третьої сторони від комерційного постачальника. «Перш ніж випускати програмне забезпечення, — зазначив Ковінгтон, — вам дійсно потрібно зрозуміти, які ризики та небезпеки пов’язані з інтеграцією цього програмного забезпечення у ваш клінічний робочий процес».

Протонна терапія на висхідній траєкторії, а схеми лікування FLASH готуються сяяти

Пам’ятаючи про це, Ковінгтон пояснила, як вона та її колеги з Michigan Medicine кількісно оцінюють ризики засобів автоматизації за допомогою так званого «числа ризику програмного забезпечення» (SRN). SRN, по суті, є матрицею трьох окремих вхідних даних: популяція (прямий показник популяції пацієнтів, на яку впливатиме інструмент); наміри (як програмне забезпечення використовуватиметься для прийняття клінічних рішень та його здатність сильно впливати на результати пацієнтів); і складність (показник того, наскільки важко незалежному рецензенту знайти помилку в програмному забезпеченні).

Ковінгтон зробив висновок із застереженням: «Наразі автоматизація може вирішити деякі проблеми, але не всі проблеми. Це також може спричинити нові проблеми – проблеми, яких ви не очікуєте».

• Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
• PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
• PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
• ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
• PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
• джерело: https://physicsworld.com/a/automation-in-the-radiotherapy-workflow-efficiency-effectiveness-and-limitations/