Wie kann KI den Arbeitsablauf in der Radiologie verbessern?

7. Juni 2023 – Radiologen am Lahey Hospital and Medical Center in Burlington, Massachusetts, haben sechs KI-Algorithmen in ihren klinischen Arbeitsablauf integriert.

Christoph Wald, MD, PhD, sagte gegenüber AuntMinnie.com. „Zum Glück waren unsere Lieferanten bereit, zusammenzuarbeiten, und ich denke, dass wir gemeinsam ein gutes Ergebnis erzielt haben.“

Lahey und Kollegen arbeiteten zunächst mit einigen Anbietern zusammen, um von der US-amerikanischen Food and Drug Administration (FDA) zugelassene KI-Algorithmen zu integrieren, um Schlaganfallfälle zu selektieren und die Arbeit von Radiologen angesichts der Anzahl der Bilder, die das Team über Nacht lesen musste, zu priorisieren.

Die Triage der Fälle war bei Patienten mit potenziell lebensbedrohlichen Erkrankungen wie Schlaganfall aufgrund einer intrazerebralen Blutung wichtig. Das Team integrierte die KI-Technologie mit Software zur Orchestrierung des Radiologie-Workflows eines Drittanbieters, die vom RIS und PACS des Krankenhauses getrennt ist.

Fallpriorisierung

Dadurch wurde eine neue Prioritätskategorie geschaffen, die Untersuchungen mit AI-positiver Diagnose an die Spitze der Arbeitsliste rückt, damit sie zuerst interpretiert und dann von Ärzten am schnellsten bearbeitet werden können.

„Obwohl dies gelegentlich zu einer unangemessenen Priorisierung eines falsch-positiven Falles führt, haben wir mit diesem Ansatz im Allgemeinen gute Erfahrungen gemacht“, sagte Wald, der auch Vorsitzender der Informatikkommission des American College of Radiology (ACR) ist.

Das System ermöglicht es Radiologen, farbige Abzeichen zu sehen, die anzeigen, ob ein Fall einer KI-Verarbeitung unterzogen wurde und ob eine positive oder negative Diagnose vorliegt.

Wald sagte, dass Radiologen in den frühen Phasen der Einführung nicht wussten, wann ein KI-Algorithmus noch eine Studie verarbeitete, da nur der endgültige KI-Status angezeigt wurde.

„Obwohl dies keinen Schaden angerichtet hat, handelt es sich im Wesentlichen um eine verpasste Chance“, sagte er. „Wir haben daher ein kleines graues Abzeichen implementiert, um anzuzeigen, dass eine Bildgebungsstudie verarbeitet wird. Radiologen können jetzt entscheiden, ob sie auf das Ergebnis warten oder nicht.“

Implementierung von Erweiterungen

„Wenn Sie die KI-Verarbeitung zu Diagnosezwecken verwenden oder Ihre KI einer Qualitätskontrolle unterziehen möchten, müssen Sie eine Darstellung der tatsächlichen KI-Ausgabe überprüfen“, sagte Wald. „Wir haben die Möglichkeit, eine farbcodierte Wärmekarte zu konsultieren, die optional in einem speziellen kleinen Widget angezeigt wird, das von der KI-Firma bereitgestellt wurde. Sie ist vom PACS getrennt, wird jedoch aktiviert und öffnet sich für die Ansicht des Radiologen im Kontext der Studie, die gerade durchgeführt wird.“ wird im PACS angezeigt.“

Laut Wald wurden bei der Integration auch weitere Verbesserungen erzielt, beispielsweise die gleichzeitige Anzeige der Berichtsimpression, sofern diese zum Zeitpunkt der Anzeige bereits verfügbar war.

„Wir wollten außerdem sicherstellen, dass Radiologen immer den Vorteil haben, das KI-Ergebnis zu kennen und geeignete Maßnahmen zu ergreifen, indem sie die Anstrengungen von Mensch und Maschine kombinieren“, sagte er.

Wenn das System ein KI-Ergebnis erhält, während sich ein Bericht bereits im Endstatus befindet, erhält der Radiologe eine Warnung mit einem Link, über den er offiziell zur Studie zurückkehren und den neuen KI-Befund mit der tatsächlichen Bildgebungsstudie abgleichen kann.

Sicherheitswarnung

Wald sagte, die KI habe gut funktioniert und den Arbeitsablauf verbessert, es sei jedoch wichtig, nicht davon auszugehen, dass die FDA-Zulassung eines KI-Tools bedeute, dass es überall sicher und effektiv eingesetzt werden könne.

„Für Praxen ist es absolut wichtig, Algorithmen vor und nach der Bereitstellung zu bewerten, da viele lokale Faktoren die KI-Leistung ernsthaft beeinträchtigen können“, sagte er.

Das Einholen und Reagieren auf klinisches Feedback ist ein weiterer wichtiger Aspekt, den Lahey laut Wald leicht gemacht hat, um zukünftige KI-Forschung und Anbieterentwicklungen zu unterstützen.

„Wir alle haben die Pflicht, eine kontinuierliche Leistungsbewertung der KI in der Praxis in der Praxis durchzuführen“, sagte er.

Gute Nachrichten

Mit Blick auf die Zukunft sagte er gegenüber AuntMinnie.com: „Ich bin begeistert von quantitativer KI, multifunktionalen KI-Suiten und opportunistischem Screening. Ich denke jedoch, dass die größten zukünftigen Workflow-Verbesserungen für Radiologen tatsächlich durch den GPT-basierten generativen KI-Einsatz entstehen werden.“ mehr als die Single-Trick-KI im Pony-Stil, die wir bisher gesehen haben.“

Diese neuen Arten von Modellen werden wahrscheinlich die Art und Weise verändern, wie Radiologen vorgelagerte klinische Informationen nutzen und künftige Arbeitsprodukte von Radiologen generieren und ausgeben – bei denen laut Wald die Verarbeitung natürlicher Sprache der Kern und die Währung ist.

„Das sind gute Nachrichten sowohl für Radiologen als auch für ihre Patienten und überweisenden Ärzte, da der Status quo kaum zu bewältigen ist, insbesondere in Regionen der Welt, in denen es einen Mangel an Radiologen gibt“, sagte Wald.

Wert demonstrieren

Viele KI-Algorithmen halten bereits Einzug in den Arbeitsablauf in der Radiologie, aber andere, sogar sehr „aufregende“ Modelle könnten schwieriger zu implementieren sein, sagte Greg Zaharchuk, MD, PhD, Professor für Radiologie (Neuroimaging und Neurointervention) an der Stanford Universität in Stanford, Kalifornien.

„Vieles ist möglich, aber die Möglichkeiten einer breiten klinischen Anwendung werden dadurch begrenzt, dass weder eine kostenneutrale Wirkung noch irgendeine Art von Kosteneinsparung nachgewiesen werden kann“, bemerkte Zaharchuk, ehemaliger Präsident der American Society of Functional Neuroradiology und stellvertretender Herausgeber des Journal of Magnetic Resonance Imaging. „Viele fantastische KI-Algorithmen, die heute entwickelt werden, haben ehrlich gesagt Schwierigkeiten, ihren Wert zu beweisen.“

Zaharchuk arbeite zusammen mit Wissenschaftlern und Ingenieuren des KI-Softwareentwicklers Subtle Medical mit KI-Software, um den Einsatz gadoliniumbasierter Kontrastmittel für kontrastverstärkte MRT-Untersuchungen zu reduzieren und gleichzeitig eine hervorragende Bildqualität beizubehalten, sagte er. Ihre Deep-Learning-Methode lernte, Volldosis-Scans anhand von Nulldosis- und Niedrigdosis-Bildern zu approximieren, sodass die Gadoliniumdosis reduziert werden konnte – um etwa 90 % ohne Einbußen bei der diagnostischen Qualität, wie Untersuchungen ergaben.

Zaharchuk wies darauf hin, dass KI als Mittel zur Effizienzsteigerung in der Radiologie bereits auf dem Vormarsch sei, insbesondere in der MRT angesichts der hohen Betriebskosten von Scannern. Die Technologie ermögliche eine schnellere Bildaufnahme und Untersuchungen mit geringer Dosis, sagte er.

Unbeachtete funktionale Vorteile?

„Ein wirklich nützlicher Wert der KI besteht darin, die Menge mühsamer Dinge zu verringern, die Menschen tun und die Menschen falsch machen können – egal, ob es sich um einen Techniker oder einen Radiologen handelt“, sagte er.

"Es gibt also Möglichkeiten, nicht nur die Bildaufnahme zu verbessern, sondern auch viele alltägliche Aufgaben, die viel persönliche Aufmerksamkeit und Mühe erfordern.“

Zaharchuk verwies auf die KI-gestützte Automatisierung von „Back-Office-ähnlichen“ Funktionen bei der Abrechnung und Terminplanung sowie auf das Potenzial der Verarbeitung natürlicher Sprache, um die Zeit zu verkürzen, die für die Erstellung eines Berichts für Radiologen erforderlich ist.

„Ich denke, das sind alles sehr gute Einsatzmöglichkeiten, die einem nicht unbedingt als Erstes in den Sinn kommen, wenn man an KI in der Radiologie denkt“, sagte er.

Wert demonstrieren

Zaharchuk bemerkte: „Wenn etwas Sie nicht effizienter macht, wenn es etwas für eine bessere Patientenversorgung ist, müssen Sie es anhand der Ergebnisse begründen, und dafür muss die Dokumentation wirklich klar und offensichtlich sein, damit Sie es können.“ Ich ignoriere es nicht.“

Er sagte, dass es schwierig sein könne, Ergebnisvorteile nachzuweisen, aber Beweise könnten erbracht werden, in der Regel dann, wenn die Fragen, zu deren Beantwortung KI-Algorithmen eingesetzt werden, „klar und einfach“ seien.

Es sei möglich, sagte er, dass Algorithmen zur Läsionserkennung in Bereichen wie der Mammographie Vorteile beim Einsatz von KI zeigen könnten.

„Sobald dies geklärt ist, können Sie daran arbeiten, dass solche Nutzungen erstattet werden“, sagte er.

Zaharchuks Erfahrung im Umgang mit dem Gadoliniumkonsum ist für andere zukünftige potenzielle Einsatzmöglichkeiten von KI relevant. Gadolinium ist ein Schwermetall, das im Abwasser stromabwärts von MRT-Bereichen in höherer Konzentration auftritt und zwangsläufig Umweltbedenken hervorruft.

Zukünftige KI-Lösungen, die Umweltprobleme wie diese angehen können, „könnten eine Nische in der klinischen Praxis finden“, spekulierte er.

Darüber hinaus sagte Zaharchuk, er freue sich über das Potenzial der KI, „die Benennung von Bildern zu standardisieren“ und sicherzustellen, dass Millionen von Bildern ordnungsgemäß identifiziert und gekennzeichnet werden, damit sie von Ärzten effizienter gelesen und nahtlos für nachgelagerte Algorithmen verwendet werden können.

Eine helfende Hand

Kirti Magudia, MD, Assistenzprofessorin für Radiologie an der Duke University School of Medicine in Durham, NC, ist Co-Vorsitzende der Imaging AI in Practice (AIIP) Task Force für die Radiological Society of North America (RSNA), die eingerichtet wurde Förderung der Zusammenarbeit zwischen Entwicklern von Radiologiesystemen, einschließlich KI-Anwendungen.

Auf ihrer Jahrestagung führte die RSNA ein Demonstrationsprojekt durch, bei dem die vielen praktischen Einsatzmöglichkeiten der Technologie anhand von online veröffentlichten Fallstudien untersucht wurden – diese zeigen Ergebnisse von KI-Projekten im gesamten radiologischen Arbeitsablauf in einer simulierten klinischen Umgebung – und die Organisation hat die daraus gewonnenen Erkenntnisse analysiert soweit gelernt werden.

Lektionen lernen

Zu den wichtigsten Erkenntnissen zählen die Notwendigkeit konsistenter und koordinierter Interoperabilitätsstandards und Orchestrierungsprofile sowie die Bedeutung der Zusammenarbeit zwischen Radiologen und Anbietern in einem sich schnell verändernden Umfeld, sagten Magudia und Kollegen.

In einem Bericht, der Ende 2021 in Radiology veröffentlicht wurde, stellten sie fest, dass von vielen auf Bildgebung spezialisierten KI-Anbietern erwartet wurde, dass sie ausschließlich mit DICOM-Objekten (Digital Imaging and Communications in Medicine) arbeiten, von vielen der auf Berichten spezialisierten Anbietern jedoch erwartet wurde, dass sie damit zusammenarbeiten Schnelle Interoperabilitätsressourcen für das Gesundheitswesen (FHIR).

Zum Zeitpunkt des Demonstrationsprojekts befanden sich die Profile „Integrating the Healthcare Enterprise“ (IHE) für AI Workflow Integration (AI-WI) und AI Results (AIR) in der Entwicklung, waren aber noch nicht veröffentlicht. Daher gebe es „in diesem Zusammenhang keinen Konsens für die Konvertierung zwischen DICOM- und FHIR-Ressourcen“, heißt es in der Studie.

Eine weitere wichtige Lektion war die Notwendigkeit der Interaktion des Radiologen mit den KI-Ergebnissen. Selbst wenn die KI-Ergebnisse nicht optimal sind, kann der Mechanismus der Integration in einen strukturierten Bericht dennoch zu Effizienzgewinnen führen, wenn die Ergebnisse angepasst werden können, bevor strukturierte Daten generiert werden, heißt es in der Studie.

Integrationstipps

Magudia fordert alle Radiologiepraxen, die KI in den klinischen Arbeitsablauf integrieren möchten, dringend dazu auf, die Ressourcen zu nutzen, die von radiologischen Gesellschaften wie der RSNA und dem ACR Data Science Institute mit ihrer Auflistung von von der FDA zugelassenen bildgebenden KI-Produkten bereitgestellt werden.

„Denken Sie genau darüber nach, welche Daten zum Trainieren des von Ihnen in Betracht gezogenen Produkts verwendet wurden, und denken Sie unbedingt darüber nach, das Produkt anhand lokaler Daten zu testen und anschließend kontinuierlich zu überwachen“, riet sie. „Außerdem sollten Sie nach Produkten suchen, die Semantik- und Interoperabilitätsstandards sowie Orchestrierungsprofile für eine erfolgreiche klinische Integration einschließlich der Berichtserstellung nutzen. Überlegen Sie außerdem sorgfältig, wie KI-Ergebnisse angezeigt werden.“

Auf welche Workflow-Anwendungen freut sie sich, wenn sie in Zukunft weiterentwickelt wird?

„Opportunistisches Screening ist ein Bereich, der mich als KI-Anwendung besonders interessiert“, sagte Magudia gegenüber AuntMinnie.com. „In der medizinischen Bildgebung steckt ein erheblicher latenter Wert, der im Allgemeinen nicht genutzt wird, weil dies zu arbeitsintensiv wäre. Dazu gehören die Bewertung des Koronarkalziums, die Analyse der Körperzusammensetzung, die Erkennung zufälliger Lungenembolien usw. Viele dieser Aufgaben wurden miteinander verknüpft.“ Auswirkungen auf die Patientenergebnisse haben und das Potenzial haben, die Patientenversorgung zu beeinflussen.“

Verwandte Lektüre:

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

2. Der Informatik-E-Learning-Hub: KI in die Praxis bringen (acr.org)