آخرین مطالب

ممکن است مراقبت را با کاهش زمان انتظار بیمار و خطاهای تشخیصی – بهبود بخشد


اورژانس و کلینیک های مراقبت های فوری معمولاً شلوغ هستند و بیماران اغلب باید ساعت ها منتظر بمانند تا بتوانند ویزیت، ارزیابی و درمان شوند. انتظار برای تفسیر اشعه ایکس توسط رادیولوژیست ها می تواند به این زمان انتظار طولانی کمک کند زیرا رادیولوژیست ها اغلب برای تعداد زیادی از بیماران اشعه ایکس را می خوانند.

یک مطالعه جدید نشان داده است که هوش مصنوعی (AI) می تواند به پزشکان در تفسیر اشعه ایکس پس از آسیب و شکستگی مشکوک کمک کند.

الگوریتم هوش مصنوعی ما می‌تواند به سرعت و به‌طور خودکار اشعه‌های ایکس را که برای شکستگی‌ها مثبت هستند شناسایی کند و آن مطالعات را در سیستم علامت‌گذاری کند تا رادیولوژیست‌ها بتوانند خواندن اشعه ایکس با شکستگی‌های مثبت را در اولویت قرار دهند. علی گورمازی، MD، PhD، رئیس رادیولوژی در سیستم مراقبت بهداشتی VA بوستون و پروفسور، توضیح داد: این امر به طور بالقوه می تواند به زمان کمتر انتظار در زمان مراجعه به بیمارستان یا کلینیک قبل از تشخیص مثبت شکستگی کمک کند. رادیولوژی و پزشکی در دانشکده پزشکی دانشگاه بوستون (BUSM).

خطاهای تفسیر شکستگی تا 24 درصد از خطاهای تشخیصی مضر مشاهده شده در بخش اورژانس را نشان می دهد. علاوه بر این، ناهماهنگی در تشخیص رادیوگرافی شکستگی‌ها در ساعات عصر و شب (5 بعدازظهر تا 3 صبح) شایع‌تر است که احتمالاً به خواندن غیر کارشناسی و خستگی مربوط می‌شود.

الگوریتم هوش مصنوعی (AI BoneView)، بر روی تعداد بسیار زیادی از اشعه ایکس از چندین مؤسسه برای تشخیص شکستگی‌های اندام، لگن، بالاتنه و ستون فقرات کمری و قفسه سینه آموزش دید. خوانندگان متخصص انسان (رادیولوژیست های اسکلتی عضلانی، که پزشکان فوق تخصصی رادیولوژی پس از دریافت آموزش متمرکز در خواندن اشعه ایکس استخوان هستند) استاندارد طلایی را در این مطالعه تعریف کردند و عملکرد خوانندگان انسانی با و بدون کمک هوش مصنوعی را مقایسه کردند.

طیف وسیعی از خوانندگان برای شبیه‌سازی سناریوی واقعی زندگی مورد استفاده قرار گرفتند، از جمله رادیولوژیست‌ها، جراحان ارتوپد، پزشکان اورژانس و دستیاران پزشک، روماتولوژیست‌ها و پزشکان خانواده، که همگی برای تشخیص شکستگی در بیماران خود، اشعه ایکس را در عمل بالینی واقعی می‌خوانند. دقت تشخیصی شکستگی هر خواننده، با و بدون کمک هوش مصنوعی، با استاندارد طلا مقایسه شد. آنها همچنین عملکرد تشخیصی هوش مصنوعی را به تنهایی در برابر استاندارد طلا ارزیابی کردند. کمک هوش مصنوعی به کاهش شکستگی‌های از دست رفته تا 29 درصد و افزایش حساسیت خوانندگان تا 16 درصد و 30 درصد برای امتحانات با بیش از 1 شکستگی کمک کرد، در حالی که ویژگی را تا 5 درصد بهبود بخشید.

Guermazi معتقد است که هوش مصنوعی می تواند ابزار قدرتمندی برای کمک به رادیولوژیست ها و سایر پزشکان برای بهبود عملکرد تشخیصی و افزایش کارایی باشد، در حالی که به طور بالقوه تجربه بیمار را در زمان مراجعه به بیمارستان یا کلینیک بهبود می بخشد. “مطالعه ما بر روی تشخیص شکستگی متمرکز بود، اما مفهوم مشابهی را می توان برای سایر بیماری ها و اختلالات به کار برد. علاقه تحقیقاتی ما در حال انجام این است که چگونه می توان از هوش مصنوعی برای کمک به ارائه دهندگان مراقبت های بهداشتی انسانی برای بهبود مراقبت از بیمار استفاده کرد، نه اینکه هوش مصنوعی جایگزین ارائه دهندگان مراقبت های بهداشتی انسانی شود. وی افزود: مطالعه ما یکی از این نمونه ها را نشان داد.

این یافته ها به صورت آنلاین در مجله ظاهر می شوند رادیولوژی.

بودجه این مطالعه توسط GLEAMER Inc.

منبع داستان:

مواد ارائه شده توسط دانشکده پزشکی دانشگاه بوستون. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.