Tekoäly Voi Tukea Lääketieteellistä Diagnostiikkaa

Uusia työkaluja vanhoihin diagnooseihin

Monet diagnoosit perustuvat yhä potilaan tutkimiseen ja löydösten silmämääräiseen arviointiin. Esimerkiksi äkillisen välikorvatulehduksen tunnistaminen edellyttää tärykalvon tutkimista ja oireiden huomioimista.

Kliinikon kokemus ja tutkimusolosuhteet vaikuttavat arvioon. kuten aiemmat kliinikoiden tutkimukset ovat raportoineet AOM:n diagnostiikkatarkkuuden vaihtelevan 30 %:sta 84 %:iin. Tulokset riippuvat muun muassa tutkijan koulutuksesta, tutkimustilanteesta ja lasten iästä.

Äkillinen välikorvatulehdus (AOM) ja välikorvan nestekertymä ilman äkillistä tulehdusta (OME) voivat sekoittua toisiinsa kumpaankin suuntaan. OME ei yleensä hyödy antibioottihoidosta, joten väärä diagnoosi voi johtaa tarpeettomaan lääkitykseen.

Tutkijat ovat kehittäneet tekoälyyn perustuvan työkalun auttamaan näiden löydösten erottamisessa. Onnistunut käyttöönotto voisi vähentää tarpeettomia antibioottikuureja ja tukea asianmukaista hoitoa.

”Alidiagnosointi voi johtaa riittämättömään hoitoon ja ylidiagnosointi tarpeettomiin antibioottikuureihin. Työkalumme tavoitteena on auttaa oikean diagnoosin ja hoidon valinnassa.”

Alejandro Hoberman, lastentautiopin professori ja yleispediatrian yksikön johtaja Pittsburghin yliopiston lääketieteellisessä tiedekunnassa.

Lähde: UPMC

Välikorvatulehdukset ovat yleisiä lapsilla. Siksi luotettavilla tutkimusmenetelmillä voi olla suuri merkitys perusterveydenhuollossa.

Tekoäly diagnoosin tukena

Hoberman teki yhteistyötä muun muassa New Yorkin yliopiston Tandon School of Engineeringin, Pittsburghin Bosch Center for Artificial Intelligencen ja tukholmalaisen Dcipher Analyticsin tutkijoiden kanssa.

Tulokset julkaistiin JAMA Pediatrics -lehdessä otsikolla ”Development and Validation of an Automated Classifier to Diagnose Acute Otitis Media in Children”.

Työkalu analysoi älypuhelimeen liitetyllä otoskoopilla kuvattuja tärykalvovideoita. Se on päätöksenteon tukijärjestelmä, ei koko kliinisen tutkimuksen korvaaja.

Tutkimuksessa kehitettiin kaksi mallia. Aineistossa oli 1 151 tärykalvovideota 635 lapselta, ja asiantuntijat luokittelivat videot diagnoosin perusteella.

Mallien kehittämiseen käytettiin 921 videota ja testaamiseen erillisiä 230 videota.

Arvioitaviin piirteisiin kuuluivat esimerkiksi tärykalvon muoto, väri, asento ja läpikuultavuus.

Lähde: UPMC

Lupaavia tutkimustuloksia

Syvän oppimisen DR-RNN-mallin herkkyys oli 93,8 % ja tarkkuus terveiden tai muiden kuin AOM-tapausten tunnistamisessa eli spesifisyys 93,5 %. Päätöspuumallin vastaavat luvut olivat 93,7 % ja 93,3 %. Herkkyys kertoo todettujen AOM-tapausten osuudesta ja spesifisyys muiden tapausten oikein tunnistamisesta. Kumpikaan malli ei ollut virheetön.

Tulokset olivat lupaavia, mutta erillisten aiempien lääkärien tarkkuutta koskevien tutkimusten vertaaminen tähän testiaineistoon ei todista mallin olevan kaikissa tilanteissa kliinikkoa parempi. Tarvitaan arviointia erilaisissa potilasryhmissä ja todellisissa hoitoympäristöissä.

Tallennettuja videoita voidaan käyttää löydöksen selittämiseen perheelle, hoidon dokumentointiin ja opetukseen. Tallennuksessa ja jakamisessa on huomioitava potilastietojen suoja.

Työkalu voisi tukea perusterveydenhuollon diagnooseja ja vähentää tarpeettomia antibiootteja, jos hyöty osoitetaan käytännön käyttöönotossa.

Älypuhelin ja siihen liitettävä otoskooppi voivat helpottaa teknistä toteutusta. Käyttöönotto edellyttää silti koulutusta, laadukasta kuvausta sekä soveltuvien hyväksyntöjen ja tietosuojan huomioimista.

AI-diagnostiikkayritykset

Lääketieteellisen tiedon monimuotoisuus tekee tekoälyn soveltamisesta vaativaa. Aineistot voivat sisältää puutteita, vaihtelua ja harhoja, jotka vaikuttavat mallien toimintaan.

Neuroverkot ovat parantaneet kuvien ja muiden monimutkaisten aineistojen analyysia. Sama yleinen teknologinen kehitys näkyy myös esimerkiksi autonomisen ajamisen tutkimuksessa.

Lääkärit arvioivat röntgen-, magneetti- ja muita kuvia yhdessä oireiden ja kliinisen tiedon kanssa. Tekoäly voi auttaa rajatuissa tehtävissä, mutta sen onnistuminen toisella alalla ei osoita automaattista paremmuutta lääketieteellisessä diagnostiikassa.

Suuret kuvantamislaitteiden valmistajat käyttävät tekoälyä tuotteissaan, esimerkiksi GE Healthcare, Siemens Healthineers, Canon Medical ja Philips. Nämä yhtiöt toimivat monilla muillakin alueilla, joten niihin sijoittaminen ei anna yksinomaan altistusta tekoälydiagnostiikalle.

Erikoistuneisiin yksityisiin yrityksiin kuuluvat esimerkiksi PathAI ja Viz.AI. Yksityinen yritys ei tarkoita ”yksityisesti pörssilistattua” yritystä. Seuraavassa tarkastellaan kahta artikkelin ajankohtana julkisesti noteerattua yhtiötä.

1. Butterfly Network

Butterfly Network kehittää kannettavia ultraäänilaitteita sekä ohjelmistoja. Sen työnkulun ja hallinnan ohjelmistoalustan nimi on ”Compass”. Compass ei ole itsenäisesti diagnooseja tekevä tekoälylääkäri.

Lähde: Butterfly Network

Yhtiön ^kolmannen sukupolven laite on vuonna 2024 julkaistu iQ3. Se käyttää puolijohdepohjaista ultrasound-on-chip-teknologiaa perinteisten pietsosähköisten kiderakenteiden sijaan. Valmistajan mukaan sekä tiedonsiirtonopeus että laskentateho ovat kaksinkertaiset aiempaan sukupolveen verrattuna.

Valmistaja kuvaa iQ3:n toimintoihin kuuluvan esimerkiksi useita kuvantamistiloja, nopean käynnistyksen ja ohjelmistointegraatioita. Hinta ja saatavuus riippuvat markkinasta, paketista ja tilausehdoista.

Tekoälyä voidaan käyttää kuvien käsittelyn, tiettyjen mittausten ja käyttäjän ohjauksen tukena. Käytettävissä olevat ominaisuudet ja hyväksytyt käyttötarkoitukset tulee tarkistaa kyseiseltä markkinalta.

Lähde: Butterfly Network

Butterfly on laajentanut kansainvälistä jakeluaan ja kehittänyt myös eläinlääketieteellisiä tuotteita. Kannettavuus voi auttaa tutkimusten tekemisessä erilaisissa ympäristöissä, mutta laitteet eivät korvaa koulutettua käyttäjää.

2. Enlitic (ENL.AX)

Enlitic kehittää tekoälypohjaista lääketieteellisen kuvantamistiedon standardointia. Sen ratkaisut pyrkivät yhdenmukaistamaan esimerkiksi tutkimusten ja kuvasarjojen metatietoja, eivät vain tuottamaan diagnooseja kuvista.

Teknologia yhdistää kuvantiedon ja tekstin käsittelyä tunnistaakseen esimerkiksi anatomisen alueen, kuvaussuunnan, kontrastiaineen käytön ja leikepaksuuden. DICOM on lääketieteellisen kuvantamisen tiedostojen ja tiedonsiirron standardi; HL7 liittyy laajemmin terveydenhuollon tiedonvaihtoon.

Lähde: Enlitic

Yhdenmukaiset tiedot voivat helpottaa kuvien hakua, järjestelmien yhteentoimivuutta ja analyysia. Standardointi ei yksin takaa, että tekoälymalli toimii luotettavasti kaikissa aineistoissa.

Standardoitua ja asianmukaisesti suojattua dataa voidaan hyödyntää myös tutkimuksessa tai mallien koulutuksessa. Käyttö edellyttää soveltuvaa oikeusperustaa, potilastietojen suojaa ja luotettavaa anonymisointia; sairaaloiden lisätulot eivät ole taattuja.