Mengintegrasikan AI dengan PACS Kunci untuk Meningkatkan Efisiensi Alur Kerja Meskipun alat alur kerja radiologi berbasis kecerdasan buatan (AI) sudah dekat, integrasi aplikasi AI dengan PACS masih merupakan tantangan yang signifikan, menurut para ahli terkemuka di bidang informatika pencitraan. Untuk mengatasi tantangan ini diperlukan kolaborasi yang erat antara radiologi dan industri.
“Saya optimis bahwa pada tahun 2020, kita akhirnya akan menggabungkan beberapa aplikasi AI ke dalam praktik kita,” kata Eliot L. Siegel, MD, profesor di Fakultas Kedokteran Universitas Maryland, Baltimore. “Saya pikir dalam tiga sampai lima tahun ke depan akan menjadi hal yang rutin bagi fasilitas untuk memadukan aplikasi AI mereka dengan PACS mereka, dan dalam lima sampai 10 tahun, saya yakin kita akan melihat penemuan kembali seluruh konsep PACS sebagai sebuah hal yang sangat berguna. sistem yang kurang monolitik.”
Waktunya sangat tepat, karena sebagian besar beban kerja ahli radiologi yang semakin meningkat melibatkan tugas-tugas di luar bidang interpretasi, seperti berinteraksi dengan PACS, melakukan penelitian, dan membuat laporan – area di mana AI dapat memberikan dampak langsung.
AI mampu mempelajari bagaimana ahli radiologi memilih untuk mengatur gambar mereka di stasiun kerja dan dapat berfungsi sebagai juru tulis, memasukkan informasi ke dalam rekam medis elektronik secara otomatis. AI bahkan dapat membantu menyiapkan laporan yang jelas, ringkas, dan ramah pasien.
“Sebagian besar industri lain yang menggunakan AI tidak melakukan apa pun yang berbasis gambar; mereka hanya mencari cara untuk membuat proses mereka lebih efisien, mengurangi rawan kesalahan, lebih hemat biaya, dan memberikan pengalaman pelanggan yang lebih baik,” kata Adam E. Flanders, MD, salah satu direktur Neuroradiologi/Radiologi THT di Rumah Sakit Universitas Jefferson di Filadelfia. “Kita harus memanfaatkan hal yang sama dalam radiologi.”
Di sisi piksel, AI berpotensi mengoptimalkan alur kerja interpretasi gambar dengan mengurangi atau menghilangkan beberapa pekerjaan yang memakan waktu yang dilakukan ahli radiologi, seperti mengukur lesi dengan tangan dan melacak perubahan ukurannya — sebuah tugas yang sangat sulit jika melibatkan banyak lesi.
“Jika AI dapat mengotomatiskan proses tersebut, yang harus kita lakukan hanyalah memastikan apakah algoritme telah melakukannya dengan benar,” kata Dr. Flanders. “Misalnya, jika ada 12 pengukuran, algoritme dapat memberi tahu ahli radiologi tentang pengukuran mana yang berubah dan seberapa besar perubahannya. Hal ini akan jauh lebih efisien dan memakan waktu lebih sedikit serta akan membuat ahli radiologi lebih bahagia.”
Integrasi AI ke dalam PACS
Integrasi berbagai algoritme AI yang tersedia ke dalam PACS mungkin masih menjadi kendala paling signifikan dalam penerapan AI secara luas di bidang radiologi. Sistem PACS saat ini bersifat monolitik dan akan memaksa vendor AI untuk membuat antarmuka khusus untuk semua jenis PACS yang berbeda.
Yang dibutuhkan, kata para ahli, hanyalah penemuan kembali PACS yang dibangun di seluruh infrastruktur AI.
“Sepertinya vendor harus memulai dengan selembar kertas kosong,” kata Dr. Flanders. “Sebagian besar perusahaan yang melakukan AI sekarang menggantungkan aplikasi AI pada PACS seperti motor tempel. Itu bukanlah cara terbaik untuk melakukannya. Ini harus menjadi pusat dan dimasukkan ke dalam segala hal yang dilakukan ahli radiologi, di mana Anda dapat melihat segala sesuatu yang terjadi secara real-time.”
“Kami telah berevolusi dari film ke PACS monolitik dan sekarang kami berevolusi ke PACS yang mampu menjalankan aplikasi di luar aplikasi yang disertakan,” kata Dr. Siegel. “Untuk generasi setelahnya, saya yakin Anda akan melihat platform dengan orkestrasi AI yang dapat menghilangkan kebutuhan akan PACS monolitik dan pada dasarnya dapat memilih aplikasi terbaik.”
Kolaborasi Industri Penting
Kedua Drs. Siegel dan Flanders mengatakan kolaborasi antara ahli radiologi dan industri akan sangat penting untuk memasukkan algoritma AI ke dalam alur kerja rutin. Mengintegrasikan Healthcare Enterprise (IHE), sebuah inisiatif jangka panjang untuk meningkatkan cara komputer berbagi informasi layanan kesehatan, adalah contoh utama dari kolaborasi ini. IHE adalah upaya bersama RSNA dan Masyarakat Sistem Manajemen dan Informasi Kesehatan (HIMSS).
Dalam beberapa tahun terakhir, ahli radiologi telah bekerja sama dengan para pemimpin industri dalam proyek ini untuk menciptakan konsensus mengenai cara menerapkan AI.
“Jika setiap sistem AI mengeluarkan hasilnya dengan cara yang sangat berbeda, mustahil bagi ahli radiologi untuk mencoba dan memanfaatkan semua itu,” kata Kevin O’Donnell, manajer senior, Canon Medical Research USA, Vernon Hills, IL, seorang penasihat Komite Pengarah RSNA QIBA dan mantan ketua bersama Komite Perencanaan Radiologi IHE. “Kami berusaha untuk menemukan cara standar, memanfaatkan beberapa struktur DICOM yang sudah kami miliki. Misalnya, alih-alih ahli radiologi menguraikan nodul paru tertentu, AI akan membuat garis besarnya dan ahli radiologi akan memasukkan fungsi tersebut ke dalam alur kerja pelaporan mereka.”
Pada akhirnya, para pemimpin informatika pencitraan percaya bahwa upaya untuk mengintegrasikan AI ke dalam alur kerja radiologi akan memberikan manfaat dalam perawatan pasien yang lebih baik dan menurunkan biaya perawatan kesehatan sekaligus meningkatkan efisiensi bagi ahli radiologi.
“AI menawarkan potensi untuk menghilangkan pekerjaan berulang yang dilakukan ahli radiologi,” kata Dr. Siegel. “Ini akan membuat hidup ahli radiologi lebih mudah dan, dalam banyak hal, lebih menyenangkan.”
sumber: https://www.rsna.org/news/2020/march/integrating-ai-with-pacs