Vėžio priežiūros sudėtingumas bėgant metams žymiai padidėjo. Tai, kas kadaise buvo laikoma vienos ligos, dabar yra suskirstytos į daugybę potipių, kiekvienam kiekvienam reikalaujant atskirų gydymo planų, pagrįstų kintančiomis klinikinėmis gairėmis.

Iššūkis

Tai sukėlė didėjantį iššūkį onkologams, kurie turi valdyti daugybę įvairių vėžio rūšių, kartu neatsilikdamas nuo greitai besikeičiančios geriausios praktikos.

Kitas didelis onkologijos iššūkis šiandien yra didžiulis kintančių klinikinių gairių apimtis ir sudėtingumas. Nacionalinės organizacijos, tokios kaip Nacionalinis visapusiškas vėžio tinklas, Amerikos klinikinės onkologijos draugija ir Amerikos vėžio draugija, reguliariai atnaujina savo rekomendacijas, kartais šimtus kartų per metus, remiantis naujais klinikinių tyrimų duomenimis, kylančiomis terapijomis ir besivystančiomis gydymo paradigmomis.

Šios gairės ne visada yra standartizuotos įvairiose organizacijose, o individualūs vėžio centrai dažnai prideda savo kompetencijos sluoksnius, todėl gydytojams klinikų gydytojams dar sunkiau sekti ir nuosekliai pritaikyti naujausią geriausią praktiką.

Tuo pat metu tampa vis sunkiau patekti į specializuotus onkologus, sakė dr. Travis Zack, Kalifornijos universiteto San Francisko universiteto medicinos profesoriaus padėjėjas.

„Daugeliui regionų susiduria su onkologijos specialistų trūkumu, todėl bendrosios praktikos gydytojai verčia prisiimti didesnę atsakomybę už pradinius vėžio darbo ir gydymo planavimą“, – aiškino jis. „Tačiau GPS dažnai trūksta laiko ar specializuoto mokymo, kad būtų galima visiškai atnaujinti naujausias onkologijos gaires, kurios gali sukelti priežiūros nesutapimus ir vėluojančius gydymą.

„Taip pat yra pagrindinis nestruktūrizuotų pacientų duomenų iššūkis ir laikas, kurio reikia norint surinkti ir peržiūrėti šią informaciją, laikantis atnaujintų gydymo gairių, siekiant pateikti geriausias įmanomas paciento rekomendacijas“, – tęsė jis.

Pripažindamas šiuos iššūkius, Kalifornijos universitetas San Fransiske siekė sukurti AI technologiją, kuri galėtų automatizuoti naujausių onkologų klinikinių gairių klinikinių gairių procesą, taip pat visą informaciją apie pacientus.

„Tikslas buvo sukurti sprendimų palaikymo sistemą, kuri galėtų sklandžiai integruoti nacionalines gaires ir pacientų duomenis su vietine institucine geriausia praktika, užtikrinant, kad kiekvienas pacientas gautų kuo naujausią, įrodymais pagrįstą priežiūrą-nepridedant papildomos kognityvinės naštos jau pervargusiems gydytojams“,-pažymėjo Zakas.

„Šis esminis iššūkis-užtikrinant, kad onkologai turėjo greitą, patikimą prieigą prie naujausių, įrodymais pagrįstų rekomendacijų, optimizuojant gydytojo laiką-paskatino mus ištirti AI pagrįstas sistemas, kurios galėtų padaryti pasaulinės klasės onkologijos žinias prieinamesnes, efektyvesnes ir keičiamas visose priežiūros vietose“,-pridūrė jis.

Pasiūlymas

PG sistema sujungtų didelį kalbos modelį, kurį informuoja visos galiojančios nacionalinės ir vietos institucinės gairės, su skaidria logika, todėl gydytojai galėjo tiksliai pamatyti, kaip ir kodėl AI pateikė savo rekomendacijas.

Tikslas buvo užtikrinti Kiekviena onkologijos konsultacija prasidėjo nuo išsamų, struktūrizuoto ir naujausio duomenų rinkinio, sumažinant informacijos spragas ir optimizuojant gydytojo laiką, kad būtų galima atlikti paciento darbą.

Norėdami tai pasiekti, Zackas paaiškino, kad AI buvo sukurta su dviem pagrindinėmis funkcijomis:

1. Klinikinių duomenų kaupimas ir struktūrizavimas – Sistema traukia ir organizuoja atitinkamą paciento informaciją iš elektroninių sveikatos įrašų, kad sukurtų išsamų paciento būklės vaizdą. Jei trūksta kritinių duomenų, tokių kaip biopsijos rezultatai, molekulinių bandymų ar statymo nuskaitymų, AI vėliava prieš onkologijos konsultaciją, kad būtų išvengta nereikalingo vėlavimo.

2. Nacionalinių ir vietinių klinikinių gairių integravimas -AI apima abi standartines gaires (iš tokių šaltinių kaip NCCN, ACS ir ASCO), tiek specifinius institucijoms skirtus protokolus, užtikrinant, kad gydytojams pateikiamos tinkamiausios, naujausios gydymo rekomendacijos, pritaikytos konkrečiam paciento atvejui.

„Pavyzdžiui, jei pacientas nukreiptas dėl įtariamo plaučių vėžio, sistema gali automatiškai įvertinti, ar buvo imtasi visų būtinų diagnostinių žingsnių“, – aiškino Zackas. „Jei trūksta pagrindinio testo, tai verčia kreiptis į gydytoją jį užsisakyti prieš paciento onkologijos vizitą. Konsultacijos metu AI pateikia įrodymais pagrįstą sprendimų priėmimo sistemą, sumažindama kognityvinę naštą gydytojui, užtikrinant geriausios praktikos laikymąsi.

„Svarbiausias tikslas buvo ne pakeisti žmogaus sprendimą, bet jį patobulinti – leisti onkologams sutelkti dėmesį į individualizuotus gydymo sprendimus, o ne leisti vertingą laiką gauti ir patikrinti informaciją“, – pridūrė jis.

Siekti iššūkio

AI technologija buvo dislokuota onkologijos darbo eigoje, siekiant palaikyti tiek bendrosios praktikos gydytojus, tiek onkologus, užtikrinant, kad kiekvienas paciento kelionės žingsnis būtų vadovaujamasi išsamiomis, įrodymais pagrįstomis įžvalgomis.

Tyrimui, kurį paskelbė UCSF, „Health IT“ ir klinikinių paslaugų įmonė Spalvų gydytojai išanalizavo 100 NUSTATYTŲ PATVIRTŲ ATVEJŲ, kurią UCSF-50-50-krūties vėžiui ir 50-storosios žarnos vėžiui. Kiekvienas atvejis apėmė du įrašų rinkinius: diagnozės įrašai, kuriuose yra visos turimos informacijos iki diagnozės nustatymo datos ir įskaitant gydymo datą, ir buvo pradėta visų įrašų, apimančių visus įrašus, bet neįskaitant gydymo datos.

Norėdami įvertinti AI, spalvoti klinikų gydytojai šiuos atvejus apdorojo dviem etapais:

• Diagnozės nustatymo tipas: 100 pacientų atvejų (50 krūtų, 50 storosios žarnos), naudojant tik įrašus iki diagnozės nustatymo dienos.

• Gydymo paleidimas Tipas: 100 pacientų atvejų (50 krūtų, 50 -osios storosios žarnos) su įrašais, į kuriuos buvo įtraukta iki gydymo iniciacijos datos, bet ne vėliau.

„Pirminės priežiūros gydytojas„ Color “peržiūrėjo AI sukurtą produkciją ir prireikus pakoregavo“,-teigė Zackas. „Sistemos veikimas buvo įvertintas stebint modifikacijų, atliktų trijose pagrindinėse srityse, skaičių: ištrauktų sprendimų faktorių tikslumas, rekomenduojamų darbo vietų aktualumas paciento būklei ir atitinkamų darbo vietų išsamumui. Be to, tyrimas užfiksavo laiką, reikalingą gydytojui atlikti kiekvieną darbo planą, naudojant AI.

„PG sistema buvo integruota su elektroniniais sveikatos įrašais ir kitomis medicinos duomenų bazėmis, siekiant supaprastinti prieigą prie paciento informacijos ir aiškinimo“, – tęsė jis. „Pacientų duomenys buvo identifikuoti siekiant apsaugoti konfidencialumą. Sistema taip pat buvo integruota į įvairius techninius srautus, kad suprastų ir įvertintų visas atnaujintas krūtų ir storosios žarnos vėžio tipų klinikines gaires.”

Taigi, kaip tai veikė praktikoje? Kaip tai:

1. Duomenų kaupimas ir struktūra. Prieš konsultuojant onkologiją, AI automatiškai sudarė visą atitinkamą klinikinę informaciją iš paciento įrašų ir nustatė trūkstamus diagnostinius veiksmus.

2. Gairės pagrįstos rekomendacijos. Priežiūros vietoje sistema pateikė pritaikytas rekomendacijas, pagrįstas nacionalinėmis gairėmis ir specifine institucijoms.

3. Nuolatinis mokymasis ir atnaujinimai. AI dinamiškai įtraukė naujausius klinikinius tyrimus ir gairių atnaujinimus, užtikrindami, kad gydytojai visada dirbo su naujausiais įrodymais.

„Sumažinus laiką, praleistą administracinėms užduotims ir pašalinant nesuderinamumą, AI leido onkologams sutelkti dėmesį į pacientų sąveiką ir gydymo planavimą, siekiant greitesnės ir efektyvesnės vėžio priežiūros“, – teigė Zackas.

Rezultatai

Įdiegus AI onkologijos darbo eigą, buvo išmatuojami efektyvumo ir sprendimų priėmimo pagerėjimas. Vienas ryškiausių rezultatų buvo žymiai sumažėjęs laikas, kai onkologai prieš priimant sprendimus, peržiūrėdami pacientų įrašus ir klinikines gaires.

„Anksčiau šis procesas gali užtrukti nuo vieno iki dviejų valandų, ypač sudėtingiems atvejams, kai reikia peržiūrėti išsamią ligos istoriją ir besivystančių gairių rekomendacijas“, – aiškino Zackas. „Kai AI sistema yra įdiegta, šis laikas buvo sumažintas iki maždaug 10–15 minučių. Daugeliu atvejų automatizuodami duomenų kaupimą ir struktūrizuodama atitinkamą klinikinę informaciją, sistema leidžia onkologams sutelkti dėmesį į sprendimų priėmimą, o ne rankinius duomenis.

„Kitas svarbus atradimas buvo aukštas AI sukurtų rekomendacijų ir onkologų pateiktų rekomendacijų suderinimas“,-tęsė jis. „Lyginamojo tyrimo metu buvo 95% atitikimas tarp AI gydymo rekomendacijų ir onkologų priimtų klinikinių sprendimų, pagrįstų standartinėmis gairėmis.”

Tai rodo, kad PG sistema veiksmingai sintezuoja ir taiko nacionalines ir institucines gaires taip, kad būtų palaikoma klinikinių sprendimų priėmimas, pridūrė jis. Nors žmogaus priežiūra išlieka esminė, šis susitarimo lygis rodo, kad PG gali būti patikima priemonė įrodymais pagrįstos priežiūros sustiprinimui, sakė jis.

„Be to, sistema prisidėjo prie gydymo iniciacijos savalaikiškumo pagerėjimo“, – pranešė Zackas. „Vėlavimas užsakant esminius diagnostinius testus, tokius kaip biopsijos ar genomo tyrimai, gali pratęsti laiką tarp diagnozės ir gydymo, kartais po savaites ar mėnesius.

„Nustatęs trūkstamus, bet būtinus darbus anksčiau šiame procese, AI sistema padėjo sumažinti šiuos vėlavimus, užtikrinant, kad pacientai laiku progresuotų į gydymą“, – tęsė jis. „Atsižvelgiant į tai, kad ankstyva intervencija yra labai svarbi onkologijoje, šis vėlavimų sumažėjimas yra svarbus pacientų priežiūros pagerėjimas.”

Apskritai, šie rezultatai rodo, kad AI gali atlikti reikšmingą vaidmenį gerinant efektyvumą, standartizavimą ir savalaikiškumą onkologijos priežiūroje, ypač tokiose vietose, kur prieiga prie specializuotos kompetencijos gali būti ribota, pridūrė jis.

Patarimai kitiems

Sveikatos priežiūros organizacijoms, norintiems integruoti AI į onkologiją ar kitas specialybes, būtina strateginis ir struktūrizuotas požiūris į įgyvendinimą, pataria Zackas.

„Vienas iš pagrindinių aspektų yra užtikrinti, kad AI sistema turėtų prieigą prie išsamių ir tikslių pacientų duomenų“, – sakė jis. „AI orientuotos sprendimų palaikymo priemonės priklauso nuo viso duomenų rinkinio, kad būtų sukurtos kliniškai reikšmingos rekomendacijos.

„Tačiau elektroninių sveikatos įrašų ir kitų duomenų šaltinių sąveikos iššūkiai gali sukelti neišsamius klinikines nuotraukas, kurios gali turėti įtakos AI rezultatų patikimumui“, – tęsė jis. „Prieš diegimą turėtų būti prioritetas šių spragų, naudojant veiksmingą duomenų integraciją ir standartizaciją.”

Jis pažymėjo, kad kitas svarbus veiksnys yra pusiausvyra tarp AI pagrįstų rekomendacijų ir klinikinio sprendimo.

„PG turėtų būti vertinama kaip įrankis, skirtas palaikyti, o ne pakeisti, onkologai ir kiti sveikatos priežiūros paslaugų teikėjai“, – pabrėžė jis. „Organizacijos turėtų užtikrinti, kad gydytojai ir toliau aktyviai verčiasi aiškinti AI sukurtas įžvalgas ir prireikus gali panaikinti ar pakeisti rekomendacijas.

„Norėdami tai palengvinti, AI sistemos turėtų pateikti skaidrius ir paaiškinamus sprendimų kelius, leisdamos vartotojams suprasti, kaip buvo generuojamos rekomendacijos“, – padarė išvadą jis. „Aiškus pagrindinės logikos matomumas skatina pasitikėjimą AI-pagalbinėmis sprendimų priėmimu ir skatina priimti gydytojus.”

Stebėkite Billo hitą „LinkedIn“: Bill Siwicki
Siųskite jam el. Laišką: bsiwicki@himss.org
„Healthcare IT News“ yra HIMSS žiniasklaidos leidinys.

Žiūrėkite dabar: Sietlo vaikų vyriausias