¿Cómo puede la IA mejorar el flujo de trabajo de radiología?

7 de junio de 2023 -- Los radiólogos del Hospital y Centro Médico Lahey en Burlington, Massachusetts, han integrado seis algoritmos de IA en su flujo de trabajo clínico.

Christoph Wald, MD, PhD, le dijo a AuntMinnie.com. "Afortunadamente, nuestros proveedores estaban ansiosos por colaborar y, colectivamente, creo que llegamos a un buen lugar".

Lahey y sus colegas inicialmente trabajaron con un par de proveedores para incorporar algoritmos de IA aprobados por la Administración de Drogas y Alimentos de los EE. UU. (FDA) para clasificar los casos de accidente cerebrovascular y priorizar el trabajo de los radiólogos, dada la cantidad de imágenes que el equipo de la noche a la mañana tenía que leer.

La clasificación de los casos fue importante en pacientes con condiciones potencialmente mortales, como un accidente cerebrovascular debido a una hemorragia intracerebral. El equipo integró la tecnología de IA con un software de orquestación de flujo de trabajo de radiología de terceros que es independiente del RIS y PACS del hospital.

Priorización de casos

Esto creó una nueva categoría de prioridad que promueve aquellos exámenes con diagnóstico positivo de IA a la parte superior de la lista de trabajo para que puedan ser interpretados primero y luego los médicos puedan actuar en consecuencia lo antes posible.

"Si bien esto ocasionalmente da como resultado una priorización inapropiada de un caso falso positivo, en general tuvimos una buena experiencia con este enfoque", dijo Wald, quien también preside la Comisión de Informática del Colegio Americano de Radiología (ACR).

El sistema permite a los radiólogos ver insignias de colores que indican si un caso se sometió a procesamiento de IA y si tuvo un diagnóstico positivo o negativo.

Wald dijo que en las primeras fases de la implementación, los radiólogos no sabían cuándo un algoritmo de IA todavía estaba procesando un estudio porque solo se mostraba el estado final de la IA.

“Si bien esto no causó ningún daño, es esencialmente una oportunidad perdida”, dijo. "Por lo tanto, implementamos una pequeña insignia gris para indicar que se estaba procesando un estudio de imágenes. Los radiólogos ahora pueden decidir si esperan o no el resultado".

Implementación de mejoras

"Si usa el procesamiento de IA con fines de diagnóstico o desea controlar la calidad de su IA, deberá revisar alguna representación de la salida real de la IA", dijo Wald. "Tenemos la opción de consultar un mapa de calor codificado por colores que se muestra opcionalmente en un pequeño widget dedicado proporcionado por la empresa de IA. Es independiente del PACS pero se activa y se abre a la vista del radiólogo en el contexto del estudio que es que se muestra en PACS".

Wald dijo que también se lograron otras mejoras durante la integración, como una visualización simultánea de la impresión del informe si ya estaba disponible en el momento de la visualización.

"También queríamos asegurarnos de que los radiólogos siempre obtuvieran el beneficio de conocer el resultado de la IA y tomar las medidas adecuadas, combinando los esfuerzos humanos y mecánicos", dijo.

Cuando el sistema recibe un resultado de IA cuando un informe ya está en estado final, el radiólogo recibe una advertencia que contiene un enlace que le permite volver oficialmente al estudio y conciliar el nuevo hallazgo de IA con el estudio de imagen real.

Advertencia de seguridad

Wald dijo que la IA ha funcionado bien y ha mejorado el flujo de trabajo, pero es importante no asumir que la aprobación de la FDA de una herramienta de IA significa que será segura y efectiva para usar en cualquier lugar.

"Es absolutamente fundamental que las prácticas evalúen los algoritmos antes y después de la implementación, ya que muchos factores locales pueden afectar seriamente el rendimiento de la IA", dijo.

Adquirir y actuar sobre la retroalimentación clínica es otra consideración clave que Wald dijo que Lahey ha facilitado para ayudar con futuras investigaciones de IA y desarrollos de proveedores.

“Todos tenemos la obligación de realizar una evaluación continua del desempeño de la IA en el mundo real en la práctica”, dijo.

Buenas noticias

Mirando hacia el futuro, le dijo a AuntMinnie.com: "Estoy entusiasmado con la IA cuantitativa, las suites multifuncionales de IA y la detección oportunista. Sin embargo, creo que las mayores mejoras futuras en el flujo de trabajo para los radiólogos en realidad provendrán del uso de IA generativa basada en GPT, mucho más más que la IA estilo pony de un solo truco que hemos visto hasta la fecha".

Es probable que estos nuevos tipos de modelos transformen la forma en que los radiólogos consumen información clínica previa, así como también generen y generen futuros productos de trabajo de radiólogos, muchos de los cuales tienen el procesamiento del lenguaje natural como su núcleo y su moneda, según Wald.

"Es una buena noticia tanto para los radiólogos como para sus pacientes y los médicos de referencia, ya que el statu quo es apenas manejable, especialmente en áreas del mundo donde hay escasez de radiólogos", dijo Wald.

Demostrando valor

Muchos algoritmos de IA ya están "entrándose en la corriente principal" en el flujo de trabajo de radiología, pero otros modelos, incluso muy "emocionantes", pueden ser más difíciles de implementar, dijo Greg Zaharchuk, MD, PhD, profesor de radiología (neuroimagen y neurointervención) en Stanford. Universidad de Stanford, California.

"Muchas cosas son posibles, pero la oportunidad de una adopción clínica generalizada está limitada por la incapacidad de mostrar un efecto de costo neutral o algún tipo de ahorro de costos", señaló Zaharchuk, ex presidente de la Sociedad Estadounidense de Neurorradiología Funcional. y editor adjunto del Journal of Magnetic Resonance Imaging. "Muchos algoritmos fantásticos de IA que se están desarrollando hoy en día luchan francamente por demostrar su valor".

Zaharchuk, junto con científicos e ingenieros del desarrollador de software de inteligencia artificial Subtle Medical, está trabajando con software de inteligencia artificial para reducir el uso de agentes de contraste basados ​​en gadolinio para exámenes de resonancia magnética con contraste mientras se mantiene una excelente calidad de imagen, dijo. Su método de aprendizaje profundo aprendió a aproximar los escaneos de dosis completa a partir de imágenes de dosis cero y dosis baja para que la dosis de gadolinio pudiera reducirse en un 90% sin sacrificar la calidad del diagnóstico, sugirió la investigación.

Zaharchuk señaló cómo la IA ya está ganando terreno como un medio para mejorar la eficiencia en radiología, particularmente en IRM dado el alto costo de funcionamiento de los escáneres. La tecnología permite una adquisición de imágenes más rápida y exámenes de dosis bajas, dijo.

¿Beneficios funcionales no apreciados?

"Un valor realmente útil de la IA es disminuir la cantidad de cosas tediosas que la gente hace y que la gente puede equivocarse, ya sea un tecnólogo o un radiólogo", dijo.

"Por lo tanto, hay oportunidades para mejorar no solo la adquisición de imágenes, sino también muchas tareas mundanas que requieren mucha atención y esfuerzo personal".

Zaharchuk citó la automatización asistida por IA de las funciones de "tipo administrativo" en la facturación y la programación, y el potencial del procesamiento del lenguaje natural para reducir el tiempo que lleva producir un informe para los radiólogos.

"Creo que todos estos son muy buenos usos que no son necesariamente las primeras cosas que vienen a la mente cuando piensas en la IA en radiología", dijo.

Demostrando valor

Zaharchuk señaló: "Si algo no lo hará más eficiente, si es algo para una mejor atención al paciente, debe justificarlo en función de los resultados y, para eso, la documentación debe ser muy clara y obvia para que pueda ' No lo ignores".

Dijo que los beneficios de los resultados pueden ser difíciles de demostrar, pero se pueden producir pruebas, generalmente cuando las preguntas que se implementan para abordar los algoritmos de IA son "claras y simples".

Es posible, dijo, en áreas como la mamografía, que los algoritmos de detección de lesiones puedan mostrar beneficios cuando se usa IA.

"Una vez que esto se resuelva, puede trabajar para obtener el reembolso de dichos usos", dijo.

La experiencia de Zaharchuk al abordar el uso de gadolinio es relevante para otros posibles usos futuros de la IA. El gadolinio es un metal pesado que aparece en mayor concentración en las aguas residuales aguas abajo de las áreas de MRI e inevitablemente genera preocupaciones ambientales.

Las futuras soluciones de IA que pueden abordar problemas ambientales como estos "pueden encontrar un nicho en la práctica clínica", especuló.

Además, Zaharchuk dijo que está entusiasmado con el potencial de la IA para "estandarizar la denominación de imágenes", asegurando que millones de imágenes se identifiquen y etiqueten adecuadamente para que los profesionales puedan leerlas de manera más eficiente y usarlas para algoritmos posteriores de manera transparente.

Una mano amiga

Kirti Magudia, MD, profesora asistente de radiología en la Facultad de Medicina de la Universidad de Duke, en Durham, NC, copreside el Grupo de Trabajo de Imaging AI in Practice (AIIP) para la Sociedad Radiológica de América del Norte (RSNA), que se estableció fomentar la colaboración entre los desarrolladores de sistemas de radiología, incluidas las aplicaciones de IA.

En su reunión anual, la RSNA realizó un proyecto de demostración que exploró los muchos usos prácticos de la tecnología en estudios de casos que publicó en línea (que muestran los resultados de proyectos de IA en el flujo de trabajo de radiología en un entorno clínico simulado) y la organización analizó las lecciones para ser aprendido hasta ahora.

lecciones de aprendizaje

Entre los puntos clave se encuentra la necesidad de estándares de interoperabilidad y perfiles de orquestación consistentes y coordinados, y la importancia de la colaboración entre radiólogos y proveedores en un entorno de rápido movimiento, dijeron Magudia y sus colegas.

En un informe, publicado en Radiology a finales de 2021, señalaron que, si bien se esperaba que muchos proveedores de IA centrados en imágenes trabajaran exclusivamente con objetos de imágenes digitales y comunicaciones en medicina (DICOM), se esperaba que muchos de los proveedores centrados en informes trabajaran con Recursos rápidos de interoperabilidad de atención médica (FHIR).

En el momento del proyecto de demostración, los perfiles Integrating the Healthcare Enterprise (IHE) para AI Workflow Integration (AI-WI) y AI Results (AIR) estaban en desarrollo pero aún no se habían publicado. Así que "no hubo consenso para la conversión entre los recursos DICOM y FHIR en este contexto", informó el estudio.

Otra lección clave fue la necesidad de que el radiólogo interactúe con los resultados de la IA. Incluso cuando los resultados de la IA no son óptimos, el mecanismo de integración en un informe estructurado aún puede proporcionar ganancias de eficiencia si los resultados se pueden ajustar antes de generar datos estructurados, según el estudio.

Consejos de integración

Magudia insta a cualquier práctica de radiología que busque integrar la IA en el flujo de trabajo clínico a utilizar los recursos proporcionados por sociedades radiológicas como RSNA y ACR Data Science Institute con su lista de productos de IA de imágenes aprobados por la FDA.

"Piense bien qué datos se usaron para entrenar el producto que está considerando y considere seriamente probar el producto con datos locales y un monitoreo continuo después de eso", aconsejó. "Además, busque productos que utilicen estándares semánticos y de interoperabilidad, así como perfiles de orquestación para una integración clínica exitosa, incluida la generación de informes. Además, considere cuidadosamente cómo se mostrarán los resultados de la IA".

¿Qué aplicaciones de flujo de trabajo espera que se lleven más lejos en el futuro?

"La detección oportunista es un área en la que estoy particularmente interesado como aplicación de IA", dijo Magudia a AuntMinnie.com. "Existe un valor latente significativo en las imágenes médicas que generalmente no se aprovecha porque sería demasiado laborioso hacerlo. Esto incluye la puntuación de calcio coronario, el análisis de la composición corporal, la detección de embolia pulmonar incidental, etc. Muchas de estas tareas se han correlacionado con los resultados del paciente y tienen el potencial de impactar la atención del paciente".

Lectura relacionada:

1. Estudios de casos de ACR acr.org/Practice-Management-Quality-Informatics/Imaging-3/Case-Studies/Information-Technology/Integrating-AI-into-the-Clinical-Workflow

2. Centro de aprendizaje electrónico de informática: llevar la IA a la práctica (acr.org)