Inteligencia Artificial Mejorando la Industria de la Radiología

 

Inteligencia Artificial Mejorando la Industria de la Radiología

La radiología se ha desarrollado como un innovador en la inteligencia artificial a partir de una necesidad apremiante. El motor esencial del desarrollo de la IA en la imagen médica ha sido el anhelo de una mayor eficacia y productividad en la atención clínica.

Los datos de imágenes radiológicas siguen desarrollándose a un ritmo desproporcionado cuando se comparan, y la cantidad de lectores capacitados disponibles y la disminución de los reembolsos por imágenes han obligado a los proveedores de servicios de salud a remunerarse mediante el aumento de la eficiencia. Estos componentes han contribuido a un aumento sensacional de la carga de trabajo de los radiólogos. Los estudios informan que, de vez en cuando, un radiólogo medio debe descifrar una imagen cada 3-4 segundos en una jornada de 8 horas para satisfacer las demandas de la carga de trabajo.

El avance y la adopción de la IA en la analítica de negocios para la radiología será impulsado por impulsos administrativos, por ejemplo, el Programa de Incentivos Basados en el Mérito (MIPS) de Medicare, modelos de pago alternativos y el Programa de Reducción de Readmisión en Hospitales (HRRP). La inteligencia artificial podría ayudar a las prácticas a cumplir con los MIPS al ayudar a limitar las sugerencias de seguimiento inadecuadas, separar los signos indeseables para la utilización preoperatoria de las imágenes de estrés cardíaco, por ejemplo, y prescribir herramientas de diagnóstico alternativas para los pacientes que ya han recibido una tomografía computarizada o un examen de cardiología nuclear en curso.

La detección es el espécimen ideal para la inteligencia artificial en el cuidado de la salud, sin embargo, hay considerablemente más innovación puede incluir como una herramienta de detección. Caracterizar el límite entre una imagen ordinaria e inusual de manera adecuada es excepcionalmente alucinante y multifactorial. En este momento, el aprendizaje profundo puede posiblemente superar las expectativas al aprender una representación normal jerárquica de un tipo particular de imagen a partir de un enorme número de pruebas típicas.

Con la detección automatizada, los radiólogos ven imágenes que dependen de la prioridad de lectura, lo que acelera la notificación y mejora los resultados de los pacientes. Con la expansión de los beneficios de la recuperación, la IA extrae imágenes comparables de una base de datos para revisarlas cuando experimenta casos no ordinarios o complejos.

Los modelos de pago alternativos (APM, por ejemplo, los pagos agrupados, las organizaciones de atención responsable y otros pueden igualmente impulsar la mejora de la IA. Las crecientes plataformas de IA que ofrecen la predicción de la trayectoria de la salud del paciente mediante la aplicación de IA avanzada sobre datos en numerosas bases de datos en múltiples prácticas y en múltiples especialidades pueden resultar plausibles e importantes para todos los cuidadores que participan en la APM.

La combinación de la IA y el análisis predictivo muestra además una garantía de disminución de las readmisiones hospitalarias, por ejemplo, mediante recomendaciones de intercesión que dependen del gasto global del sistema de servicios médicos.

En particular, el desarrollo más notable dependerá de la dirección de las sociedades profesionales nacionales, como el Colegio Americano de Radiología, para alinear la mejora de la IA con las normas adecuadas, y el avance más rápido de la IA empresarial probablemente surgirá de los focos de presión junto con los diferentes impulsores de la reglamentación, por ejemplo, los pagos de incentivos basados en el mérito y las APM.

En la mayoría de las divisiones y prácticas de radiología, el flujo de trabajo pasa por el sistema de comunicación y archivo de imágenes (PACS), ya que es el lugar donde se guarda toda la información de las imágenes y los informes relacionados. Toda la visualización, reporte y compartición de imágenes se hace a través del PACS, y el PACS de cada comerciante tiene diversas funcionalidades. Muchos de los actuales algoritmos de inteligencia artificial están siendo creados independientemente de un PACS específico, lo que ha hecho difícil dar soluciones de IA que funcionen para todos.

Si miramos el trasfondo histórico de la introducción de las herramientas de propulsión en la radiología, no vimos una adopción excelente. No fue hasta que se unieron legítimamente a los espectadores, y así sucesivamente, que se utilizaron. No puedes injertar en módulos adicionales y anticipar que los radiólogos deben utilizar esos módulos. Deben alterar sus productos a todos los marcos actuales de PACS, ya que actualmente estamos manejando importantes sistemas de salud que están utilizando PACS que son configurables con cualquier otra cosa.

Estas organizaciones probablemente requerirán también modificaciones de los vendedores de PACS, con el objetivo de hacer una interfaz básica y unificada entre todos los productos. Con el avance hacia los VNA [archivos imparciales de los vendedores], se abren las puertas para una mejor experiencia del cliente con los visualizadores de imágenes. El software actual simplemente no depende de la tarea de incorporarse bien con las herramientas que estamos proponiendo.

Si bien la IA no es todavía un dispositivo clínicamente valioso en cada consulta de radiología, las oficinas más grandes y las fundaciones de proveedores están exhibiendo enfoques para hacer que la innovación encaje y mejore sus proyectos y procedimientos actuales.

Radiology Partners, un gran consultorio de radiología dirigido por y propiedad de médicos en los Estados Unidos, necesitaba una solución tecnológica para la disminución de la cantidad de variabilidad en la presentación de informes de imágenes

entre sus médicos, especialmente en torno a los descubrimientos accidentales. Vigilaron el negocio y no pudieron descubrir a nadie que lo hiciera, algo que pudiera escalar sus procedimientos prescritos para apoyar a sus radiólogos. Así que necesitaban ir a distancia para hacer algo.

La solución resultante, denominada RecoMD, se asienta sobre el trabajo del actual sistema de reconocimiento de voz de la práctica, que a partir de ahora utiliza el procesamiento normal del lenguaje (PNL), un tipo de IA, para el dictado. RecoMD filtra los datos a medida que el radiólogo dirige y distingue cualquier dato que pueda mostrar un hallazgo incidental que podría requerir seguimiento. Toma los datos dictados, los combina con los metadatos del informe de radiología y hace una propuesta.

El ciclo de datos de radiología es multifacético y complejo. En el momento en que está bien y adecuadamente capacitada, la IA puede garantizar que los radiólogos produzcan información excepcionalmente importante para mejorar la salud de las personas y las poblaciones. Al disminuir los aspectos de desperdicio, los radiólogos pueden tener un impacto más extenso y profundo en la atención al paciente.

Leave a Comment!