数字医疗保健重点:AI,医疗责任,在“移动”图像中


分享分享

在此空间中,我探讨每月主题,从概念到技术,与建立数字医疗保健系统的必要步骤有关。在2021年4月,我邀请JoãoSantinha在“移动”形象中的“AI医疗责任”中共同提交一篇简短的文章。我们潜入了2020年12月主题并专注于AI在医学成像的医疗责任。

医学成像提供内部和外部组织的视觉表示,使其成为患者诊断和治疗的重要组成部分。因此,由于医学成像的使用迅速增加,由于使用医学成像的快速增加,对放射学,核医学和病理部门的压力增加了,这可能导致医师倦怠和图像阅读中的错误,并最终导致患者护理的降期。AI的成功也使其进入医学,特别是医学成像,因为“图像不仅仅是图片,他们是数据”(吉利斯等等。2016)。已经证明了改善医学图像重建,增强,分割和注册,并进行计算机辅助检测和诊断。虽然其中一些能够更快地获取更好的图像,但其他人侧重于帮助医生审查更多人类错误的图像。AI的使用甚至可能帮助医生减少一些患者目前提交的不必要的手术人数,因为我们最近学到了(tobaly.等等。2020)

临床实践中AI的实施数量仍然减少。然而,医学成像AI具有一些成功的故事,其中AI算法可以减少建立到医学知识的治疗时间和种族和社会经济偏见。第一个例子是viz.ai,一种改变患者的治疗路径的算法,如疑似行程,导致到达和治疗之间的平均时间34分钟,与传统的标准笔划工作流程为123分钟。此外,它成为首批偿还的医疗AI,这可能会导致其广泛的采用(Hassan 2020)。

最近,开发了另一种用于测量骨X射线的骨关节炎严重程度的AI算法,以减少标准严重程度分级的种族和社会经济疼痛差异(Pierson等。2021),哪个在几十年前使用白人英国人口发达。该AI算法展示了改善当前医学知识和减少当前知识中可能存在的偏差的巨大潜力。

然而,谷歌的AI糖尿病视网膜病筛查工具等故事(Beeee等。2020)还证明了这些算法的磁带。尽管初步有希望的结果,但当这种AI算法用于现实生活条件时,观察到性能相当大的表现,以及影响模型性能,护理工作流程和患者体验的社会环境因素。

因此,需要考虑医学成像产生“非稳定性”图像。医学成像的不断发展性质,其中扫描仪,图像采集序列和采集参数经常被新的或被新的更换或替换,阻碍了在临床实践中的医学成像AI的实现。虽然AI算法应坚固,但在一定程度上达到这些漂移和变化,致力于提高算法的鲁棒性和稳定性的相当努力和研究,当观察到性能劣化时,还需要连续监测和更新。在FDA的建议的监管框架中已经考虑了持续学习的上下文的这种更新,用于修改对基于AI / ML的软件作为医疗设备(萨姆,软件可能会继续学习和发展,以改善患者护理或确保其维护,而无需每次变化时都需要FDA Premarket审核。

如果通过AI算法预测的临床结果改变了患者管理路径和用于评估算法性能的地面真理,则何时不再收集?

但是,在改变患者管理时,如何进行这种算法的实时监测?此外,如果通过AI算法预测的临床结果改变了患者管理路径和用于评估算法性能的地面真实,那么不再收集临床结果?是对这些算法的临床试验评估,对这些问题的解决方案,一些患者通过AI算法预测了他们的临床结果,但经过传统的治疗来评估算法的性能吗?是否有这种方法的道德问题?

另一方面,当一个新版本的AI算法部署到临床实践中,我们如何确定没有引入错误,也可以介绍任何错误,如波音737最大新的飞行控制系统发生故障传感器的情况?解决方案可能是特斯拉的“阴影模式测试”,它可以比较新版本的算法,具有由医生或算法的当前版本进行的决策。

虽然可能在健康方面的相当数量的AI应用程序被视为“专业实践增强”技术,但这不会减少其使用的医疗责任。它使它们更复杂。对医疗和其他专业人员责任的深刻分析超出了本文的范围;但是,医疗保健专业人员的参与对于价值链的两部分是至关重要的。首先,他们需要选择和估值参考指南和其他科学证据,其中AI系统将受过培训/受过教育/校准。除了leges artis.原则,统治所有医疗保健专业人士和医生。这些是灰色区域和深刻的医学知识(leges artis.原则)不容易帮助,因为大多数AI使用具有低或不明解释细节的“黑匣子”算法,可以允许受过良好受过良好教育的护士或医生来识别有缺陷的指示/加工。

该地区需要适当的监管,超越产品集中的规则医疗器械调节(在欧盟2021年5月到达全力),但需要包括实践和弊端法规。在实践中的使用情况下存在类似的挑战。这将确保安全地使用该技术的益处,并具有信任,而其风险最小化。通过这样做,我们将更好地治疗患者,减少医疗保健系统和工作人员的负担。



««掌握远程医疗的焦点


Covid-19和远程医疗»»

参考:

beede e等人。(2020)对部署诊所部署的深度学习系统的人以人为本评估,用于检测糖尿病视网膜病变。在计算系统中2020年人类因素会议上的会议记录(Chi '20)。纽约,纽约:计算机械协会,1-12。DOI:10.1145 / 3313831.3376718


吉利斯rj等人。(2016)辐射瘤:图像不仅仅是图片,它们是数据。放射学,278(2):563-77。DOI:
10.1148 / Radiol.2015151169


Hassan Ae(2020)新技术附加支付(NTAP)为viz lvo:中风护理的胜利。神经诊断手术杂志。11月24日发布在线发布。DOI:10.1136 / neurintsurg-2020-016897


Pierson E等人。(2021)一种减少欠缺群体中未解释的疼痛差异的算法方法。Nat Med,27:136-140。DOI:10.1038 / s41591-020-01192-7


tobaly d等人。(2020)基于CT的辐射瘤分析,以预测胰腺内乳头状粘膜肿瘤(IPMN)患者的恶性肿瘤。癌症,12(11):3089。DOI:10.3390 / cance12113089


发表于:2021年3月29日星期一



人工智能,医学影像,道德和医学法律问题,#digitalHealthCarefocus,AI在成像数字医疗专注:AI,医疗责任,在“移动”形象中

没有意见


登录留下评论......