Η AI έτοιμη να γίνει ανεκτίμητο εργαλείο ιατρικής διάγνωσης

Νέα Εργαλεία για Παλαιές Διαγνώσεις

Πολλές ιατρικές διαγνώσεις βασίζονται και στην οπτική εξέταση του ασθενούς. Αυτό ισχύει για την οξεία μέση ωτίτιδα, όπου η σωστή αξιολόγηση του τυμπάνου απαιτεί εκπαίδευση και εμπειρία.

Η εμπειρία του επαγγελματία υγείας έχει σημασία: προηγούμενες μελέτες ανέφεραν διαγνωστική ακρίβεια για την οξεία μέση ωτίτιδα (AOM) από 30% έως 84%, ανάλογα με την ειδικότητα, την εκπαίδευση και την ηλικία των παιδιών.

Η οξεία μέση ωτίτιδα μπορεί να συγχέεται με τη μέση ωτίτιδα με συλλογή υγρού (OME), δηλαδή παρουσία υγρού πίσω από το τύμπανο χωρίς την ίδια εικόνα οξείας λοίμωξης. Η OME γενικά δεν ωφελείται από αντιβιοτική αγωγή. Η σύγχυση μπορεί να οδηγήσει τόσο σε υπερδιάγνωση όσο και σε παράλειψη μιας πραγματικής λοίμωξης.

Ερευνητές ανέπτυξαν ένα εργαλείο υποστήριξης της διάγνωσης, χρησιμοποιώντας υπολογιστική όραση και βίντεο που καταγράφονται με ωτοσκόπιο συνδεδεμένο σε smartphone. Στόχος είναι να βελτιωθεί η αξιολόγηση και να περιοριστεί η άσκοπη χορήγηση αντιβιοτικών, η οποία συμβάλλει στη μικροβιακή αντοχή.

Ο Hoberman εξήγησε ότι η υποδιάγνωση στερεί κατάλληλη φροντίδα, ενώ η υπερδιάγνωση μπορεί να οδηγήσει σε περιττή αντιβιοτική θεραπεία. Το εργαλείο σχεδιάστηκε για να βοηθά στη διάκριση των καταστάσεων.

Alejandro Hoberman, καθηγητής Παιδιατρικής και διευθυντής του Τμήμα Γενικής Ακαδημαϊκής Παιδιατρικής στη Σχολή Ιατρικής του Πανεπιστημίου του Πίτσμπεργκ.

Πηγή: UPMC

Πρόκειται για συχνό παιδιατρικό πρόβλημα. Στην ανακοίνωση της έρευνας, ο Hoberman ανέφερε ότι περίπου το 70% των παιδιών εμφανίζει λοίμωξη του αυτιού πριν από τα πρώτα του γενέθλια.

Υποστήριξη της Διάγνωσης με AI

Ο Hoberman συνεργάστηκε με ερευνητές από το Tandon School of Engineering της Νέας Υόρκης, το Bosch Center for Artificial Intelligence στο Πίτσμπεργκ και την Dcipher Analytics στη Στοκχόλμη.

Τα ευρήματα δημοσιεύθηκαν στο JAMA Pediatrics με τίτλο «Ανάπτυξη και Επικύρωση Αυτόματου Ταξινομητή για τη Διάγνωση Οξείας Μέσης Ωτίτιδας σε Παιδιά».

Το εργαλείο αναλύει σύντομο βίντεο του τυμπάνου από ωτοσκόπιο συνδεδεμένο σε κάμερα smartphone.

Οι ερευνητές ανέπτυξαν δύο μοντέλα AI χρησιμοποιώντας 1.151 βίντεο τυμπανικού υμένα από 635 παιδιά. Ειδικοί χαρακτήρισαν τα βίντεο ώστε να υπάρχει διάγνωση αναφοράς για την εκπαίδευση και την αξιολόγηση.

Από αυτά, 921 βίντεο χρησιμοποιήθηκαν για εκπαίδευση και 230 για την αξιολόγηση των μοντέλων.

Στα χαρακτηριστικά που αξιολογήθηκαν περιλαμβάνονταν το σχήμα, το χρώμα, η θέση και η διαφάνεια του τυμπάνου.

Πηγή: UPMC

Ενθαρρυντικά Αποτελέσματα στη Μελέτη

Το μοντέλο DR-RNN πέτυχε ευαισθησία 93,8% και ειδικότητα 93,5%. Το δεύτερο μοντέλο, DT, πέτυχε αντίστοιχα 93,7% και 93,3%. Η ευαισθησία αφορά την αναγνώριση των πραγματικών περιστατικών, ενώ η ειδικότητα την ορθή αναγνώριση όσων δεν είχαν τη συγκεκριμένη πάθηση. Τα σφάλματα δεν μηδενίστηκαν.

Τα αποτελέσματα ήταν ενθαρρυντικά σε σύγκριση με προηγούμενες αναφορές κλινικής ακρίβειας. Δεν αποδεικνύουν όμως ότι το εργαλείο υπερέχει από κάθε γιατρό σε κάθε περιβάλλον. Χρειάζεται αξιολόγηση σε ευρύτερους πληθυσμούς και στην πραγματική κλινική χρήση.

Το βίντεο μπορεί να αποθηκευτεί στον ιατρικό φάκελο και να βοηθήσει στην εξήγηση της διάγνωσης στους γονείς. Μπορεί επίσης να χρησιμοποιηθεί για εκπαίδευση φοιτητών και ειδικευομένων, με την κατάλληλη συναίνεση και προστασία των δεδομένων.

Η υποστήριξη αυτή θα μπορούσε να βοηθήσει τους γιατρούς πρωτοβάθμιας φροντίδας και να μειώσει την άσκοπη συνταγογράφηση αντιβιοτικών. Η θεραπευτική απόφαση εξακολουθεί να απαιτεί κλινική αξιολόγηση.

Η χρήση smartphone και ωτοσκοπίου μπορεί να διευκολύνει την υιοθέτηση, αλλά η εφαρμογή στην πράξη προϋποθέτει κατάλληλο εξοπλισμό, επικύρωση, εκπαίδευση και τις απαιτούμενες εγκρίσεις.

Εταιρείες AI στην Ιατρική Απεικόνιση

Η ιατρική AI αντιμετωπίζει σύνθετα και ανομοιογενή δεδομένα. Η ποιότητα, η αντιπροσωπευτικότητα και οι διαφορές μεταξύ συσκευών ή πληθυσμών επηρεάζουν την αξιοπιστία των μοντέλων.

Τα νευρωνικά δίκτυα έχουν βελτιώσει την ανάλυση εικόνων. Η επιτυχία τους σε έναν τομέα, όμως, δεν μεταφέρεται αυτόματα σε μια διαφορετική ιατρική εφαρμογή.

Η αξιολόγηση αξονικών και μαγνητικών τομογραφιών ή εικόνων του τυμπάνου απαιτεί ειδική κλινική γνώση. Η AI μπορεί να βοηθήσει σε συγκεκριμένα καθήκοντα ανίχνευσης και μέτρησης, χωρίς να αποτελεί γενική απόδειξη υπεροχής έναντι των επαγγελματιών υγείας.

Μεγάλες εταιρείες ενσωματώνουν AI σε συστήματα απεικόνισης, όπως οι GE Healthcare, Siemens Healthineers, Canon Medical και Philips. Οι δραστηριότητές τους εκτείνονται πέρα από την AI, επομένως δεν αποτελούν αμιγείς επενδύσεις σε αυτόν τον τομέα.

Άλλες, περισσότερο εξειδικευμένες εταιρείες, όπως οι PathAI και Viz.AI, είναι ιδιωτικές και δεν διαπραγματεύονται δημόσια στο χρηματιστήριο. Παρακάτω εξετάζονται εισηγμένες εταιρείες που σχετίζονται με την ιατρική απεικόνιση.

1. Butterfly Network

Η Butterfly Network αναπτύσσει φορητά συστήματα υπερήχων και λογισμικό για την οργάνωση των εξετάσεων, των δεδομένων και της κλινικής ροής εργασίας. Στα προϊόντα λογισμικού της περιλαμβάνεται το «Compass». Δεν πρόκειται για το ίδιο εργαλείο διάγνωσης ωτίτιδας της παραπάνω μελέτης.

Πηγή: Butterfly Network

Το 2024 η εταιρεία πέρασε στην 3^η γενιά του φορητού ανιχνευτή υπερήχων με την κυκλοφορία του iQ3 στις ΗΠΑ. Σύμφωνα με την ανακοίνωση της εταιρείας, είχε διπλάσια ταχύτητα μεταφοράς δεδομένων και διπλάσια επεξεργαστική ισχύ από το προηγούμενο μοντέλο. Χρησιμοποιεί τεχνολογία υπερήχων σε ημιαγωγό αντί των συμβατικών πιεζοηλεκτρικών στοιχείων.

Στις δυνατότητες που προβάλλονται για το iQ3 περιλαμβάνονται εργαλεία απεικόνισης πολλαπλών τομών και τρισδιάστατης απεικόνισης, καθώς και ενσωμάτωση με λογισμικό και υπηρεσίες cloud.

Η εταιρεία χρησιμοποιεί αυτοματοποιημένα εργαλεία για βελτίωση της απεικόνισης, ορισμένες μετρήσεις και εκπαίδευση των χρηστών. Κάθε λειτουργία έχει συγκεκριμένο πεδίο χρήσης και δεν ισοδυναμεί με αυτόνομη γενική διάγνωση.

Πηγή: Butterfly Network

Η Butterfly έχει επεκτείνει την εμπορική παρουσία της σε αγορές της Ασίας, όπως η Σιγκαπούρη, η Ινδονησία και οι Φιλιππίνες, καθώς και σε κτηνιατρικές εφαρμογές. Η φορητότητα μπορεί να είναι χρήσιμη για εξετάσεις ζώων εκτός νοσοκομειακού περιβάλλοντος.

2. Enlitic (ENL.AX)

Η Enlitic αναπτύσσει τεχνολογία AI για τη διαχείριση και τυποποίηση δεδομένων ιατρικής απεικόνισης. Εργαλεία της δημιουργούν συνεπείς περιγραφές και οργανώνουν μεταδεδομένα εικόνων, συμπληρώνοντας πρότυπα όπως DICOM και HL7. Αυτό διαφέρει από την αυτόματη διάγνωση μιας πάθησης.

Η τεχνολογία αξιοποιεί υπολογιστική όραση και επεξεργασία φυσικής γλώσσας για στοιχεία όπως η ανατομική περιοχή, ο προσανατολισμός, η χρήση σκιαγραφικού και το πάχος τομής σε αξονικές, μαγνητικές τομογραφίες και ακτινογραφίες.

Πηγή: Enlitic

Η συνεπής επισήμανση μπορεί να βελτιώσει τη διαλειτουργικότητα, τη δρομολόγηση εξετάσεων και την αξιοποίηση δεδομένων σε έρευνα και αυτοματισμούς. Η ποιότητα των δεδομένων παραμένει κρίσιμη.

Τυποποιημένα και κατάλληλα αποπροσωποποιημένα δεδομένα μπορούν να υποστηρίξουν έρευνα και εκπαίδευση μοντέλων. Η χρήση ή η εμπορική τους διάθεση απαιτεί τις αντίστοιχες νομικές βάσεις, άδειες και εγγυήσεις προστασίας των ασθενών.