Automatische Übersetzung anzeigen
Dies ist eine automatisch generierte Übersetzung. Wenn Sie auf den englischen Originaltext zugreifen möchten, klicken Sie hier
#Neues aus der Industrie
{{{sourceTextContent.title}}}
AI Radiologezeit, indem es Brustradiographien triaging, aber, ist spart es klinisch durchführbar?
{{{sourceTextContent.subTitle}}}
Es wird viel der Übertreibung um das Potenzial der künstlichen Intelligenz (AI) Radiologiearbeitsbelastungen zu erleichtern gegeben. Und ein neues Gewindekonzept des neuralen Netzes, das in einer Radiologiestudie am 22. Januar verringerte einzeln aufgeführt wurde groß, über Rückstand zu berichten, indem es genau Brustradiographien in der Realzeit triaging.
{{{sourceTextContent.description}}}
„Die Anfangsergebnisse, die hier gemeldet werden, sind aufregend, da sie, dass ein AI-System unter Verwendung einer sehr großen Datenbank von routinemäßig erworbenen radiologischen Daten erfolgreich ausgebildet werden kann,“ sagten Mitverfasser Giovanni Montana, Doktor, University of Warwicks in Coventry, England, in einer vorbereiteten Erklärung zeigen. „Mit weiterer klinischer Bestätigung, wird diese Technologie erwartet, um die Arbeitsbelastung eines Radiologen zu verringern durch eine bedeutende Menge, indem man alle normalen Prüfungen ermittelt, also kann mehr Zeit auf denen verbracht werden, die erfordern mehr Aufmerksamkeit.“
Das Team benutzte mehr als 470.000 de-identifizierte erwachsene Brustradiographien, um ihre AI-Plattform zu entwickeln. Ein Algorithmus Verarbeitung der in einer natürlichen Sprache (NLP) analysierte die Radiologieberichte, um das Bild als jedes kritische zu markieren, nicht-dringend, oder normaler-ein „kritischer Meilenstein“ in der Studie, Montana merkte.
Nach der Prüfung des Systems auf einem unabhängigen Satz von 15.887 Bildern, berichteten sie über die Plattform ermittelten normalen Brustradiographien mit einer Empfindlichkeit von 71 Prozent, Besonderheit von 95 Prozent, von positivem Vorhersagewert von 73 Prozent und von negativem Vorhersagewert von 99 Prozent.
Nach Simulationen berichteten Montana und Kollegen, dass kritische Ergebnisse eine Radiologemeinung in 2,7 Tage empfingen, im Durchschnitt viel schneller als der 11,2 Tagesdurchschnitt für eine realistische Praxis. Für dringende Ergebnisse wurde durchschnittlicher Bericht auf 4,1 Tagen, unten von 7,6 Tagen verringert.
Es gab einige Beschränkungen, die von den Studienautoren zitiert wurden. In einem in Verbindung stehenden Leitartikel erhob William F. Auffermann, MD, Doktor, mit University of Utah-Gesundheit in Salt Lake City, Einwände mit dem Gebrauch des Teams von Daten von einem einzelnen Gesundheitssystem. Auffermann argumentierte, dass ein Algorithmus möglicherweise, der mit Daten von einer Institution ausgebildet wird, gut nicht in anderen Mitten übersetzt.
Eine Studie veröffentlichte am 6. November 2018 in PLOS-Medizin, die diesem Begriff geprüft wurde, und fand Algorithmen ausgebildet, um Pneumonie auf den Brustradiographien zu ermitteln, die schlecht durchgeführt wurden, als geprüft auf Daten von einem anderen Gesundheitssystem.
Auffermann merkte das System, das in der Studie beschrieben wurde, könnte eine „erhebliche“ Auswirkung auf abnehmende Abfertigungszeiten haben, wenn es in einer klinischen Einstellung verwendet wird, aber, hervorhob mehr Prüfung ist erforderlich, bevor die eine Wirklichkeit wird.
„Man sich stellt möglicherweise ein zukünftiges AI-Triagesystem vor, in dem der Patient kurz in der Radiologieabteilung gehalten wird, während ein AI-Algorithmus eine schnelle Anfangstriage für kritische Ergebnisse, bevor der Patient die Abteilung lässt,“ Auffermann schloss durchführt. „Die genaue Art, in der solch ein System möglicherweise eingeführt wird, erfordert weitere Studie, bevor es bereit ist, stationäre Behandlung zu unterstützen.“