معرفی ابزارهای خودکار در فرآیند برنامه ریزی درمان، تیم بالینی بیمارستان کسل هیل بریتانیا را قادر می سازد تا ثبات را بهبود بخشد و در عین حال به صرفه جویی قابل توجهی در زمان نیز دست یابد.
راه‌حل‌های نرم‌افزاری هوشمند به ابزاری حیاتی برای تیم‌های بالینی طولانی تبدیل شده‌اند تا بهترین مراقبت ممکن را به بیماران سرطانی ارائه دهند، به‌ویژه آنهایی که نیاز به درمان‌های پیچیده‌تری با استفاده از دوزهای پرتوهای بالاتر دارند. سیستم‌های نرم‌افزاری با هوش مصنوعی داخلی می‌توانند کارهای تکراری را خودکار کنند، اطلاعاتی را که می‌توان از شبیه‌سازهای CT استخراج کرد، افزایش داد و از ثبات مراقبت در تعداد فزاینده‌ای از موارد اطمینان حاصل کرد.
در بیمارستان Castle Hill در Cottingham، انگلستان، که هر ماه صدها بیمار را با شش شتاب دهنده خطی خود درمان می کند، نرم افزار هوشمندی در کل فرآیند برنامه ریزی درمان به کار گرفته شده است. کارل هورسفیلد، فیزیکدان اصلی در بیمارستان‌های آموزشی دانشگاه هال، NHS Trust، می‌گوید: «ما سعی می‌کنیم از هر ابزاری که در اختیار داریم، چه درخت‌های تصمیم ساده یا نرم‌افزارهای تجاری که کار ما را آسان‌تر و کارآمدتر می‌کنند، استفاده کنیم. مانند بسیاری از مراکز درمانی، ما در مقایسه با نمونه های ملی با کمبود پرسنل مواجه هستیم و از نرم افزار برای کمک به ارائه مراقبت های با کیفیت بالا استفاده می کنیم.
درست در ابتدای فرآیند، نرم افزار خودکار روی شبیه سازهای CT – the SOMATOM go.Open Pro از زیمنس Healthineers - با تعدیل دوز تشعشع برای مطابقت با اندازه بیمار، حساسیت تصاویر را حفظ می کند. این اسکنرها همچنین به یک الگوریتم هوشمند به نام Direct i4D مجهز هستند که کیفیت تصاویر با زمان تفکیک شده را که برای ثبت حرکات تنفسی بیماران مبتلا به سرطان ریه استفاده می شود، بهبود می بخشد. معمولاً این سی‌تی‌اسکن‌های 4 بعدی تنها زمانی تصاویر دقیق را تولید می‌کنند که در طول زمان اکتساب، معمولاً حدود دو دقیقه، نفس‌های منظم گرفته می‌شود، اما این مورد به ندرت برای بیماران مبتلا به بیماری‌های ریوی اتفاق می‌افتد.
هورسفیلد می‌گوید: «بیماران ریوی اغلب در CT پیچیده و مشکل‌ساز هستند، و من زمان زیادی را صرف انجام اسکن‌ها کرده‌ام تا ارزیابی کنم که آیا تصاویر بیماران ریوی 4 بعدی از نظر بالینی مناسب هستند یا خیر. با این الگوریتم هوشمند، پارامترهای اسکن با تنفس بیمار در زمان واقعی تطبیق می‌یابند، که باعث می‌شود رادیوگراف‌ها در هنگام نامنظم بودن الگوی تنفس، اطمینان بیشتری نسبت به دریافت آن داشته باشند.
حتی با استفاده از یک راه حل مجهز به هوش مصنوعی تعبیه شده در اسکنر سی تی به نام DirectORGANS که داده های تصویر را با یک الگوریتم یادگیری عمیق ترکیب می کند تا به طور خودکار اندام های حیاتی بیمار را مشخص کند، در زمان صرفه جویی قابل توجهی نیز می توان به دست آورد. چنین خطوط خودکار برای هر بیمار رادیکالی که در کسل هیل درمان می‌شود، ایجاد می‌شود و از نیاز به پزشک برای ترسیم هر ساختار با دست اجتناب می‌شود. در محل‌های درمان پر ازدحام، مانند سر و گردن، که می‌تواند زمان صرف شده را یک ساعت یا بیشتر کاهش دهد. هورسفیلد می‌گوید: «صرفه‌جویی در زمان برای پزشکان ما بسیار مهم است، و اتوکانتورینگ روشی فوق‌العاده برای اطمینان از تکرار نکردن کارهای ساده برای چندین بیمار است».
نکته مهم این است که دقت خطوط خودکار - و بنابراین مقدار زمانی که می توان ذخیره کرد - به کیفیت داده های ورودی بستگی دارد. DirectORGANS یک مزیت کلیدی در اینجا ارائه می دهد، زیرا یک مجموعه داده سفارشی را از سی تی اسکن می گیرد که برای ایجاد بهترین نتایج از الگوریتم یادگیری عمیق بهینه شده است. هورسفیلد توضیح می‌دهد: «بسیاری از ابزارهای اتوکانتورینگ در فضای ابری میزبانی می‌شوند، به این معنی که آنها فقط به اسکنی دسترسی دارند که برای نیازهای تیم بالینی پیکربندی شده است. یکی از دلایلی که ما DirectORGANS را دوست داریم این است که بازسازی خود را انجام می دهد و پارامترها را روی اسکنر دریافت کننده تنظیم می کند تا با روشی که اندام ها باید ساخته شوند مطابقت داشته باشد.
این نرم افزار خطوط دقیقی را برای بسیاری از اندام های رایج در معرض خطر، از جمله ریه، پروستات، مثانه و کانال نخاعی ایجاد می کند. پس از ایجاد، پزشک بیمار در Castle Hill همیشه ساختارها را بررسی می کند، آنها را در صورت نیاز ویرایش می کند و به صورت دستی تومور را مشخص می کند. مهمتر از همه، پزشک باید مجموعه نهایی کانتورها را قبل از استفاده برای برنامه ریزی درمان تأیید کند. هورسفیلد می گوید: «یک پزشک هنوز باید مطمئن شود که خطوط تولید شده توسط الگوریتم ها برای هدف مناسب هستند. ما همچنین از آنها می‌خواهیم تا بازخوردی در مورد کیفیت اندام‌ها ارائه دهند که تضمین کیفیت داخلی را به ما می‌دهد.»
در حالی که نسخه اولیه نرم افزار شامل 30 یا 40 ساختار از پیش بارگذاری شده بود، آخرین نسخه پوشش و دقت را بیشتر بهبود بخشیده است. برای مثال، یکی از پیشرفت‌های کلیدی، توانایی کانتور کردن خودکار زنجیره‌های غدد لنفاوی است که معمولاً یک کار دستی و پر زحمت است. هورسفیلد توضیح می‌دهد: «برای بیماران پروستات که خطر انفیلتراسیون گره‌ای وجود دارد، پزشکان باید تمام مسیر خود را از پروستات در سراسر ساکروم تا انتهای زنجیره غدد لنفاوی محلی انجام دهند. "داشتن کانتورینگ خودکار برای این نوع ساختارها صرفه جویی زیادی برای آنها خواهد بود، حتی در مواردی که نیاز به ویرایش است."
در همین حال، تعدادی ابزار خودکار نیز در سیستم برنامه ریزی درمان تیم، Varian's Eclipse تعبیه شده است. یکی از مواردی که به ویژه برای تیم Castle Hill مفید بوده است RapidPlan، یک راه حل مبتنی بر دانش که از مدل ایجاد شده از موارد قبلی برای ایجاد یک برنامه درمانی شخصی برای یک بیمار جدید استفاده می کند. هورسفیلد می‌گوید: «این ابزاری است که به ما کمک می‌کند تا تعیین کنیم چه چیزی برای هر بیمار قابل دستیابی است، به‌ویژه برای موارد پیچیده‌تر که محل اندام‌های در معرض خطر ممکن است پوشش هدف را به خطر بیندازیم». ما راه‌حل‌های کلاسی برای طرح‌های درمانی خود به عنوان نقطه شروع داریم، اما هوشمندتر از آن است زیرا مختص آناتومی هر بیمار است.
این رویکرد مبتنی بر دانش به ویژه برای اعضای جدید کارکنان مفید بوده و همچنین ثبات و کیفیت طرح‌های تولید شده در کل تیم را بهبود بخشیده است. هورسفیلد می‌گوید: «کسی که شش ماه با ما بوده است ممکن است برنامه‌ای با استانداردهای مشابه یکی از اعضای تیم با تجربه‌تر ما ایجاد نکند. "افزایش دانش آنها با این ابزارهای هوشمند به آنها امکان می دهد به این تجربه دسترسی داشته باشند و کیفیت طرح هایی را که ما تولید می کنیم استاندارد می کند."
مانند هر رویکرد یادگیری ماشینی، کیفیت پیش بینی ها به داده های آموزشی مورد استفاده برای ایجاد مدل بستگی دارد. در Castle Hill، این تیم از موارد خاص خود برای توسعه مدل‌هایی برای چهار محل درمان - ریه، سر و گردن، مری و پروستات - استفاده کرده است و چندین مورد دیگر اکنون برای صرفه‌جویی در زمان بیشتر برای تیم برنامه‌ریزی در حال توسعه هستند. هورسفیلد می‌گوید: «یکی از مشکلات بزرگ برنامه‌ریزی درمان، دانستن زمان توقف است. RapidPlan این اطمینان را به شما می دهد که شما راه حل بهینه ای را برای آن بیمار پیدا کرده اید و صرف وقت اضافی برای زیر سوال بردن انتخاب های خود سود کمتری دارد.
سیستم برنامه ریزی درمان Eclipse همچنین رابطی برای افزودن ابزارهای سفارشی به فرآیند برنامه ریزی فراهم می کند. به عنوان مثال، تیم Castle Hill یک ابزار خودکار برای ایجاد ساختارهای بهینه سازی ایجاد کرده است که راه حل های تولید شده توسط سیستم برنامه ریزی درمان را با تعریف مناطق خاصی که نباید با تابش هدف قرار گیرند محدود می کند. هورسفیلد می گوید: «ما حدود 15 پروتکل مختلف برای ایجاد این ساختارهای اجتنابی و بهینه سازی ساخته ایم. "همه آنها عمل های ساده ای هستند، اما ما متوجه شدیم که تقریباً برای هر طرح درمانی به صورت دستی انجام می شود. این واقعاً قدرتمند است که بتوانیم ابزارهای خود را برای کارآمدتر کردن فرآیندهایمان ایجاد کنیم."
چنین صرفه جویی در بهره وری به ویژه در زمانی که مراکز درمانی مانند Castle Hill با پیامدهای همه گیر COVID-19 مقابله می کنند بسیار مهم است. با هجوم عظیم بیماران و کمبود متخصصان مراقبت های بهداشتی، ابزارهای هوشمندی که می توانند حداقل بخشی از فرآیند برنامه ریزی درمان را خودکار کنند، به تلاش های مداوم برای رفع مشکلات کمک می کند. هورسفیلد می‌گوید: «ظرفیت ما قبل از کووید، تولید 40 طرح در هفته بود، و اکنون کل تیم تلاش زیادی برای افزایش آن به 50 برنامه انجام می‌دهد. هر کارآیی که می‌توانیم با خودکارسازی فرآیندهایمان به دست آوریم، به ما کمک می‌کند تا در برابر طرح بهبودی خود پیشرفت کنیم، و همچنین تضمین می‌کند که همچنان به تولید برنامه‌های باکیفیت برای هر بیماری که درمان می‌کنیم، ادامه دهیم.»
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://physicsworld.com/a/intelligent-solutions-streamline-radiotherapy-treatment-planning/
