Το AI είναι έτοιμο να γίνει ανεκτίμητο εργαλείο ιατρικής διάγνωσης

Νέα εργαλεία για την παλιά διάγνωση

Από την αρχή της ιατρικής, πολλά διαγνωστικά βασίζονται στην οπτική επιθεώρηση ενός ασθενούς. Αυτό εξακολουθεί να ισχύει για τις λοιμώξεις του αυτιού, που συνήθως απαιτούν τη σωστή διάγνωση από έμπειρο κλινικό ιατρό.

Στη συγκεκριμένη περίπτωση, η εμπειρία και η ικανότητα του γιατρού έχουν μεγάλη σημασία, καθώς προηγούμενες μελέτες κλινικών γιατρών έχουν αναφέρει διαγνωστική ακρίβεια της ΑΟΜ που κυμαίνεται από 30% έως 84%, ανάλογα με τον τύπο του παρόχου υγειονομικής περίθαλψης, το επίπεδο εκπαίδευσης και την ηλικία των παιδιών που εξετάζονται.

Ως αποτέλεσμα, πολλές ωτίτιδες διαγιγνώσκονται λανθασμένα ως μέση ωτίτιδα με συλλογή ή υγρό πίσω από το αυτί, μια κατάσταση που γενικά δεν περιλαμβάνει βακτήρια και δεν ωφελείται από την αντιμικροβιακή θεραπεία.

Αλλά ένα νέο εργαλείο έχει πλέον αναπτυχθεί για να βοηθήσει τους γιατρούς, βασιζόμενος στην εμφάνιση της μηχανικής όρασης AI, μαζί με την πανταχού παρουσία των smartphone. Και θα μπορούσε να βοηθήσει στη μείωση της περιττής χρήσης αντιβιοτικών, η οποία οδηγεί στην προβληματική εμφάνιση ανθεκτικότητας στα αντιβιοτικά.

«Η υποδιάγνωση οδηγεί σε ανεπαρκή φροντίδα και η υπερδιάγνωση οδηγεί σε περιττή αντιβιοτική θεραπεία, η οποία μπορεί να θέσει σε κίνδυνο την αποτελεσματικότητα των διαθέσιμων αντιβιοτικών. Το εργαλείο μας βοηθά στη λήψη της σωστής διάγνωσης και καθοδηγεί τη σωστή θεραπεία.»

Alejandro Hoberman, MD, Pr. παιδιατρικής και διευθυντής του Τομέας Γενικής Ακαδημαϊκής Παιδιατρικής στο Pitt's Ιατρική Σχολή.

Πηγή: UPMC

Είναι επίσης ένα πολύ συχνό πρόβλημα, καθώς το 70% των παιδιών κολλάει λοίμωξη στο αυτί τον πρώτο χρόνο της ζωής τους.

Διάγνωση AI

Ο Pr Hoberman συνεργάστηκε με ερευνητές στο Tandon School of Engineering στη Νέα Υόρκη, στο Κέντρο Τεχνητής Νοημοσύνης της Bosch στο Πίτσμπουργκ και στο Dcipher Analytics στη Στοκχόλμη της Σουηδίας για να αναπτύξουν ένα εργαλείο τεχνητής νοημοσύνης για την ανίχνευση μολύνσεων του αυτιού.

Δημοσίευσαν τα ευρήματά τους στο JAMA Pediatrics, υπό τον τίτλο "Ανάπτυξη και επικύρωση ενός αυτοματοποιημένου ταξινομητή για τη διάγνωση της οξείας μέσης ωτίτιδας στα παιδιά.

Το εργαλείο AI που προκύπτει απαιτεί μόνο ένα ωτοσκόπιο συνδεδεμένο σε κάμερα smartphone.

Δημιούργησαν δύο διαφορετικά μοντέλα τεχνητής νοημοσύνης και χρησιμοποίησαν μια βάση δεδομένων με 1,151 βίντεο της τυμπανικής μεμβράνης από 635 παιδιά. Στη συνέχεια ζήτησαν από τους ειδικούς να σχολιάσουν με μη αυτόματο τρόπο κάθε ένα από τα βίντεο ως αντιστοιχούν σε μόλυνση του αυτιού ή όχι.

Χρησιμοποιήθηκαν 921 βίντεο για την εκπαίδευση της Τεχνητής Νοημοσύνης και τα υπόλοιπα 230 βίντεο χρησιμοποιήθηκαν ως δοκιμή για την αξιολόγηση της ακρίβειας των Τεχνητών Νοημοσύνης.

Μεταξύ των παραμέτρων που μετρήθηκαν για τη σωστή διάγνωση ήταν το σχήμα, το χρώμα, η θέση και η ημιδιαφάνεια του τυμπάνου.

Πηγή: UPMC

Ανώτερα Ιατρικά Αποτελέσματα

Και τα δύο μοντέλα ήταν υψηλής ακρίβειας, παράγοντας ευαισθησία 9.38% και ειδικότητα 93.5%. Αυτό σημαίνει ότι όχι μόνο τα AI ανίχνευσαν με ακρίβεια τη μόλυνση, αλλά είχαν επίσης πολύ χαμηλό ποσοστό ψευδώς αρνητικών και ψευδώς θετικών.

Αξίζει επίσης να σημειωθεί ότι αυτή είναι μεγαλύτερη ακρίβεια ακόμη και από τα καλύτερα αποτελέσματα που λαμβάνονται με οπτική αναγνώριση από γιατρούς και πολύ υψηλότερη από τα αποτελέσματα που λαμβάνονται σε λιγότερο ιδανικές συνθήκες (μικρότερα παιδιά, ανεκπαίδευτοι γιατροί κ.λπ.)

Το βίντεο μπορεί να καταγραφεί και να αρχειοθετηθεί. Αυτό μπορεί πρώτα να χρησιμοποιηθεί για να εξηγηθεί η διάγνωση στον ασθενή ή στους γονείς του ασθενούς και να αρχειοθετηθεί στο αρχείο του ασθενούς. Τα καταγεγραμμένα βίντεο μπορούν επίσης να χρησιμοποιηθούν για την εκπαίδευση φοιτητών ιατρικής ή ειδικευόμενων και να αποτελέσουν ένα πολύτιμο διδακτικό εργαλείο για νοσοκομεία και ιατρεία.

Θα πρέπει επίσης να βοηθήσει τους οικογενειακούς γιατρούς να κάνουν τη σωστή διάγνωση και να μειώσουν την υπερσυνταγογράφηση αντιβιοτικών.

Η απλότητα της εφαρμογής αυτού του εργαλείου, χρησιμοποιώντας μόνο ένα smartphone γιατρού και ένα ωτοσκόπιο, θα πρέπει επίσης να επιτρέπει μια πολύ γρήγορη ανάπτυξη και ευκολία υιοθέτησης.

Διαγνωστικές Εταιρείες AI

Για μεγάλο χρονικό διάστημα, η εφαρμογή της τεχνητής νοημοσύνης σε περίπλοκα περιβάλλοντα όπως το ανθρώπινο σώμα δεν λειτουργούσε, καθώς αγωνιζόταν να αντιμετωπίσει την «ακαταστασία» των παρεχόμενων δεδομένων.

Οι νέες τεχνολογίες όπως τα νευρωνικά δίκτυα το έχουν αλλάξει, δημιουργώντας «μηχανική όραση», από τις οποίες μερικές από τις πιο γνωστές εφαρμογές είναι τα αυτόνομα αυτοκίνητα.

Πολλές ιατρικές διαγνώσεις σήμερα εξακολουθούν να βασίζονται στη γνώμη των γιατρών και στην τεχνογνωσία που προέρχεται από τη χειροκίνητη μελέτη χιλιάδων εικόνων σαρωτών, RMI και επίσης τυμπάνων. Εάν οι AI μπορούν τώρα να καθορίσουν πού βρίσκονται οι ποδηλάτες στο δρόμο, γίνονται επίσης καλύτεροι, αν όχι καλύτεροι από τους ανθρώπους, στον εντοπισμό λοιμώξεων, όγκων και άλλων ιατρικών ζητημάτων.

Πολλές μεγάλες εταιρείες ενσωματώνουν την τεχνητή νοημοσύνη στα συστήματα απεικόνισης τους, όπως π.χ GE Healthcare, Siemens Healthineers, Canon Medical, και Philips. Ωστόσο, λόγω του μεγέθους των εταιρειών, δεν είναι καθόλου καθαροί παίκτες στα ιατρικά διαγνωστικά της τεχνητής νοημοσύνης.

Άλλες πιο εστιασμένες νεοσύστατες εταιρείες περιλαμβάνονται ιδιωτικά, όπως PathAI και Δηλαδή για παράδειγμα. Έτσι, επικεντρωθήκαμε σε μετοχές που διαπραγματεύονται στο δημόσιο.

1. Δίκτυο πεταλούδων

Η Butterfly είναι ταυτόχρονα ο δημιουργός ενός προηγμένου υπερφορητού εργαλείου διάγνωσης υπερήχων και ενός ολοκληρωμένου λογισμικού που χρησιμοποιεί τη διάγνωση τεχνητής νοημοσύνης, που ονομάζεται "πυξίδα".

Πηγή: Δίκτυο πεταλούδων

Η εταιρεία βρίσκεται τώρα στο 3 της^rd δημιουργία του καθετήρα υπερήχων, με την κυκλοφορία το 2024 του iQ3, με υψηλότερο ρυθμό μεταφοράς δεδομένων και 2 φορές την επεξεργαστική ισχύ της προηγούμενης έκδοσης. Όπως όλοι οι προηγούμενοι ανιχνευτές υπερήχων Butterfly, βασίζεται στην ανώτερη τεχνολογία «υπερήχων σε τσιπ» ημιαγωγών αντί για τους κλασικούς πιεζοηλεκτρικούς αισθητήρες.

Το iQ3 προσφέρει ανώτερη εμπειρία χρήστη, συμπεριλαμβανομένων τη δυνατότητα ταυτόχρονης απεικόνισης τόσο 3D όσο και πολλαπλών επιπέδων, ενσωματωμένο λογισμικό cloud και γρήγορη εκκίνηση, όλα σε φθηνότερη τιμή.

Η εταιρεία χρησιμοποιεί AI για τη βελτίωση των εικόνων, τη δημιουργία μετρήσεων σχετικών με τη διάγνωση αυτόματα, καθώς και την παροχή πρακτικής κατάρτισης/διδασκαλίας.

Πηγή: Δίκτυο πεταλούδων

Η Butterfly επεκτείνεται γρήγορα σε νέες αγορές στην Ασία (Σιγκαπούρη, Ινδονησία, Φιλιππίνες κ.λπ.), καθώς και στις αγορές κτηνιάτρων, για παράδειγμα, ελέγχοντας την υγεία των βοοειδών τροφοδοσίας, αξιοποιώντας την εξαιρετικά φορητότητα του εργαλείου υπερήχων της.

2. Enlitic (ΕΝΛ.ΑΞ)

Η Enlitic έχει αναπτύξει ένα σύστημα τεχνητής νοημοσύνης για την ανάλυση ακτινολογικών εικόνων και την αυτόματη δημιουργία τυποποιημένων περιγραφών των εικόνων. Έτσι, αυτό αντιπροσωπεύει το επόμενο βήμα στα μεγάλα δεδομένα ακτινολογικών εικόνων, μετά την υιοθέτηση τεχνικών προτύπων όπως το DICOM ή το HL7.

Για να το πετύχει αυτό, η τεχνολογία της Enlitic χρησιμοποιεί την υπολογιστική όραση και την επεξεργασία φυσικής γλώσσας για την ανάλυση εικόνων DICOM, προσδιορίζοντας διάφορες παραμέτρους όπως τα μέρη του σώματος, τον προσανατολισμό, την αντίθεση και το πάχος τομής για εικόνες αξονικής τομογραφίας, μαγνητικής τομογραφίας και ακτίνων Χ.

Πηγή: Enlitic

Αυτό το είδος τυποποίησης θα απαιτηθεί για την πρόοδο της τεχνητής νοημοσύνης στην ακτινολογία, καθώς και στην τηλεϊατρική και στον αυτοματισμό. Θα παρέχει διαλειτουργικότητα μεταξύ συστημάτων, ανάλογα με ένα αξιόπιστο σύστημα σήμανσης.

Θα πρέπει επίσης να βοηθήσει στη δημιουργία εσόδων από αυτά τα δεδομένα από τα νοσοκομεία και τα ακτινολογικά κέντρα, για την παροχή ανώνυμων και τυποποιημένων δεδομένων για άλλη εκπαίδευση τεχνητής νοημοσύνης.