Comment l'IA peut-elle améliorer le flux de travail en radiologie ?

7 juin 2023 -- Les radiologues du Lahey Hospital and Medical Center de Burlington, Massachusetts, ont intégré six algorithmes d'IA dans leur flux de travail clinique.

Christoph Wald, MD, PhD, a déclaré à AuntMinnie.com. "Heureusement, nos fournisseurs étaient impatients de collaborer et, collectivement, je pense que nous sommes arrivés à un bon endroit."

Lahey et ses collègues ont d'abord travaillé avec quelques fournisseurs pour intégrer des algorithmes d'IA approuvés par la Food and Drug Administration (FDA) des États-Unis pour trier les cas d'AVC et pour hiérarchiser le travail des radiologues, compte tenu du nombre d'images que l'équipe du jour au lendemain devait lire.

Le triage des cas était important chez les patients atteints d'affections potentiellement mortelles telles que les accidents vasculaires cérébraux dus à une hémorragie intracérébrale. L'équipe a intégré la technologie d'intelligence artificielle à un logiciel tiers d'orchestration du flux de travail de radiologie, distinct du RIS et du PACS de l'hôpital.

Priorisation des cas

Cela a créé une nouvelle catégorie prioritaire qui promeut les examens avec un diagnostic d'IA positif en haut de la liste de travail afin qu'ils puissent être interprétés en premier, puis traités le plus tôt possible par les cliniciens.

"Bien que cela entraîne parfois une hiérarchisation inappropriée d'un cas de faux positif, nous avons généralement eu une bonne expérience avec cette approche", a déclaré Wald, qui préside également la Commission sur l'informatique de l'American College of Radiology (ACR).

Le système permet aux radiologues de voir des badges colorés qui indiquent si un cas a été soumis au traitement de l'IA et s'il a eu un diagnostic positif ou négatif.

Wald a déclaré que dans les premières phases du déploiement, les radiologues ne savaient pas quand un algorithme d'IA traitait encore une étude, car seul l'état final de l'IA était affiché.

"Bien que cela n'ait causé aucun préjudice, c'est essentiellement une occasion manquée", a-t-il déclaré. "Nous avons donc mis en place un petit badge gris pour indiquer qu'une étude d'imagerie était en cours de traitement. Les radiologues peuvent désormais décider d'attendre ou non le résultat."

Mise en œuvre des améliorations

"Si vous utilisez le traitement de l'IA à des fins de diagnostic ou si vous souhaitez contrôler la qualité de votre IA, vous devrez revoir une représentation de la sortie réelle de l'IA", a déclaré Wald. "Nous avons la possibilité de consulter une carte thermique à code couleur qui est éventuellement affichée dans un petit widget dédié qui a été fourni par la société AI. Il est séparé du PACS mais s'active et s'ouvre à la vue du radiologue dans le contexte de l'étude qui est affiché dans le PACS."

Wald a déclaré que d'autres améliorations ont également été réalisées lors de l'intégration, telles que l'affichage simultané de l'impression du rapport s'il était déjà disponible au moment de la visualisation.

"Nous voulions également nous assurer que les radiologues auraient toujours l'avantage de connaître le résultat de l'IA et de prendre les mesures appropriées, en combinant les efforts de l'homme et de la machine", a-t-il déclaré.

Lorsque le système reçoit un résultat d'IA alors qu'un rapport est déjà en état final, le radiologue reçoit un avertissement contenant un lien qui lui permet de revenir officiellement à l'étude et de concilier le nouveau résultat d'IA avec l'étude d'imagerie réelle.

Alerte de sécurité

Wald a déclaré que l'IA a bien fonctionné et amélioré le flux de travail, mais il est important de ne pas supposer que l'approbation par la FDA d'un outil d'IA signifie qu'il sera sûr et efficace à utiliser n'importe où.

"Il est absolument essentiel que les pratiques évaluent les algorithmes avant et après le déploiement, car de nombreux facteurs locaux peuvent sérieusement affecter les performances de l'IA", a-t-il déclaré.

L'acquisition et l'action sur les commentaires cliniques sont une autre considération clé que Wald a déclaré que Lahey a rendue facile à faire pour aider à la recherche future sur l'IA et aux développements des fournisseurs.

"Nous avons tous l'obligation de procéder à une évaluation continue des performances de l'IA dans le monde réel dans la pratique", a-t-il déclaré.

Bonnes nouvelles

En ce qui concerne l'avenir, il a déclaré à AuntMinnie.com : "Je suis enthousiasmé par l'IA quantitative, les suites d'IA multifonctionnelles et le dépistage opportuniste. Cependant, je pense que les plus grandes améliorations futures du flux de travail pour les radiologues proviendront en fait de l'utilisation de l'IA générative basée sur GPT, en grande partie plus que l'IA de style poney à tour unique que nous avons vue à ce jour."

Selon Wald, ces nouveaux types de modèles sont susceptibles de transformer la façon dont les radiologues consomment les informations cliniques en amont, ainsi que de générer et de produire de futurs produits de travail des radiologues - dont une grande partie a le traitement du langage naturel comme cœur et comme monnaie d'échange.

"C'est une bonne nouvelle à la fois pour les radiologues et leurs patients et les médecins référents, car le statu quo est à peine gérable, en particulier dans les régions du monde où il y a une pénurie de radiologues", a déclaré Wald.

Démontrer la valeur

De nombreux algorithmes d'IA "entrent déjà dans le courant dominant" dans le flux de travail de radiologie, mais d'autres modèles, même très "excitants", peuvent être plus difficiles à mettre en œuvre, a déclaré Greg Zaharchuk, MD, PhD, qui est professeur de radiologie (neuroimagerie et neurointervention) à Stanford Université de Stanford, Californie.

"Beaucoup de choses sont possibles, mais l'opportunité d'une adoption clinique généralisée est limitée par l'incapacité de montrer un effet neutre sur les coûts ou une sorte d'économies", a noté Zaharchuk, ancien président de l'American Society of Functional Neuroradiology. et rédacteur en chef adjoint du Journal of Magnetic Resonance Imaging. "De nombreux algorithmes d'IA fantastiques développés aujourd'hui peinent franchement à prouver leur valeur."

Zaharchuk, ainsi que des scientifiques et des ingénieurs du développeur de logiciels d'IA Subtle Medical, travaillent avec un logiciel d'IA pour réduire l'utilisation d'agents de contraste à base de gadolinium pour les examens IRM à contraste amélioré tout en maintenant une excellente qualité d'image, a-t-il déclaré. Leur méthode d'apprentissage en profondeur a appris à approximer les scans à dose complète à partir d'images à dose nulle et à faible dose afin que la dose de gadolinium puisse être réduite - d'environ 90% sans sacrifier la qualité du diagnostic, selon la recherche.

Zaharchuk a souligné comment l'IA gagne déjà du terrain en tant que moyen d'améliorer l'efficacité en radiologie, en particulier en IRM étant donné le coût élevé des scanners. La technologie permet une acquisition d'images plus rapide et des examens à faible dose, a-t-il déclaré.

Des avantages fonctionnels méconnus ?

"Une valeur vraiment utile de l'IA est de réduire le nombre de choses fastidieuses que les gens font et qu'ils peuvent se tromper, qu'il s'agisse d'un technologue ou d'un radiologue", a-t-il déclaré.

"Il existe donc des opportunités d'améliorer non seulement l'acquisition d'images, mais également de nombreuses tâches banales qui nécessitent beaucoup d'attention et d'efforts personnels."

Zaharchuk a cité l'automatisation assistée par l'IA des fonctions de "type back-office" dans la facturation et la planification, et le potentiel du traitement du langage naturel pour réduire le temps nécessaire à la production d'un rapport pour les radiologues.

"Je pense que ce sont toutes de très bonnes utilisations qui ne sont pas nécessairement les premières choses qui viennent à l'esprit quand on pense à l'IA en radiologie", a-t-il déclaré.

Démontrer la valeur

Zaharchuk a noté: "Si quelque chose ne va pas vous rendre plus efficace, si c'est quelque chose pour de meilleurs soins aux patients, vous devez le justifier en fonction des résultats et, pour cela, la documentation doit être vraiment claire et vraiment évidente afin que vous puissiez ' ne l'ignorez pas."

Il a déclaré que les avantages des résultats peuvent être difficiles à démontrer, mais que des preuves peuvent être produites, généralement lorsque les questions auxquelles les algorithmes d'IA sont déployés pour répondre sont "claires et simples".

Il est possible, a-t-il dit, dans des domaines tels que la mammographie, que les algorithmes de détection des lésions puissent montrer des avantages lors de l'utilisation de l'IA.

"Une fois que cela est réglé, vous pouvez travailler pour obtenir le remboursement de ces utilisations", a-t-il déclaré.

L'expérience de Zaharchuk dans la lutte contre l'utilisation du gadolinium est pertinente pour d'autres utilisations potentielles futures de l'IA. Le gadolinium est un métal lourd qui apparaît en concentration plus élevée dans les eaux usées en aval des zones d'IRM et a inévitablement soulevé des préoccupations environnementales.

Les futures solutions d'IA qui peuvent résoudre des problèmes environnementaux tels que ceux-ci "pourraient trouver un créneau dans la pratique clinique", a-t-il spéculé.

En outre, Zaharchuk s'est dit enthousiasmé par le potentiel de l'IA à "normaliser la dénomination des images", en veillant à ce que des millions d'images soient correctement identifiées et étiquetées afin qu'elles puissent être lues plus efficacement par les praticiens et utilisées pour les algorithmes en aval de manière transparente.

Un coup de main

Kirti Magudia, MD, professeure adjointe de radiologie à la Duke University School of Medicine, à Durham, en Caroline du Nord, copréside le groupe de travail Imaging AI in Practice (AIIP) pour la Radiological Society of North America (RSNA), qui a été créé favoriser la collaboration entre les développeurs de systèmes de radiologie, y compris les applications d'IA.

Lors de sa réunion annuelle, la RSNA a mené un projet de démonstration explorant les nombreuses utilisations pratiques de la technologie dans des études de cas qu'elle a publiées en ligne - celles-ci montrent les résultats de projets d'IA à travers le flux de travail de radiologie dans un environnement clinique simulé - et l'organisation a analysé les leçons pour être appris jusqu'ici.

Apprendre des leçons

Parmi les principaux points à retenir figure la nécessité de normes d'interopérabilité et de profils d'orchestration cohérents et coordonnés, ainsi que l'importance de la collaboration entre les radiologues et les fournisseurs dans un environnement en évolution rapide, ont déclaré Magudia et ses collègues.

Dans un rapport publié dans Radiology fin 2021, ils ont noté que, alors que de nombreux fournisseurs d'IA axés sur l'imagerie devaient travailler exclusivement avec des objets d'imagerie numérique et de communication en médecine (DICOM), de nombreux fournisseurs axés sur les rapports devaient travailler avec Ressources d'interopérabilité rapide des soins de santé (FHIR).

Au moment du projet de démonstration, les profils Integrating the Healthcare Enterprise (IHE) pour AI Workflow Integration (AI-WI) et AI Results (AIR) étaient en cours de développement mais pas encore publiés. Il n'y avait donc "pas de consensus pour la conversion entre les ressources DICOM et FHIR dans ce contexte", a rapporté l'étude.

Une autre leçon clé était la nécessité d'une interaction radiologue avec les résultats de l'IA. Même lorsque les résultats de l'IA ne sont pas optimaux, le mécanisme d'intégration dans un rapport structuré peut toujours apporter des gains d'efficacité si les résultats peuvent être ajustés avant de générer des données structurées, selon l'étude.

Conseils d'intégration

Magudia exhorte toutes les pratiques de radiologie qui cherchent à intégrer l'IA dans le flux de travail clinique à utiliser les ressources fournies par les sociétés radiologiques telles que la RSNA et l'ACR Data Science Institute avec leur liste de produits d'IA d'imagerie approuvés par la FDA.

« Réfléchissez bien aux données qui ont été utilisées pour former le produit que vous envisagez et envisagez fortement de tester le produit sur des données locales et une surveillance continue par la suite », a-t-elle conseillé. "Recherchez également des produits qui utilisent des normes sémantiques et d'interopérabilité ainsi que des profils d'orchestration pour une intégration clinique réussie, y compris la génération de rapports. En outre, réfléchissez attentivement à la manière dont les résultats de l'IA seront affichés."

Quelles applications de flux de travail attend-elle avec impatience de voir développées à l'avenir ?

"Le dépistage opportuniste est un domaine qui m'intéresse particulièrement en tant qu'application d'IA", a déclaré Magudia à AuntMinnie.com. "Il y a une valeur latente importante dans l'imagerie médicale qui n'est généralement pas exploitée parce que cela demanderait trop de main-d'œuvre. Il s'agit notamment de la notation du calcium coronaire, de l'analyse de la composition corporelle, de la détection d'embolie pulmonaire accidentelle, etc. Beaucoup de ces tâches ont été corrélées avec les résultats pour les patients et ont le potentiel d'avoir un impact sur les soins aux patients. »

Lecture connexe :

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

2. Le centre d'apprentissage en ligne de l'informatique : mettre l'IA en pratique (acr.org)