De automatisering van kernprocessen in de radio-oncologische workflow versnelt, waardoor de voorwaarden worden geschapen voor technologische innovatie en klinische voordelen – op schaal – bij de planning, uitvoering en beheer van kankerbehandelingsprogramma's. Denk aan tumor- en orgaansegmentatie, geoptimaliseerde behandelplanning en een reeks uiteenlopende taken, waaronder QA van behandelplannen, QA van machines en workflowbeheer. In alle gevallen worden de regels herschreven dankzij de verbeterde efficiëntie, consistentie en standaardisatie die worden beloofd door automatiserings- en machine learning-technologieën.

Dat is een breed canvas, maar hoe zit het met de operationele details – en de impact op het personeel – bij het inzetten van automatiseringstools in de radiotherapiekliniek? Dit was de hoofdvraag die sprekers bezighield tijdens een speciale conferentiesessie – Challenges to Automation of Radiation Oncology Clinical Workflows – op het ASTRO Jaarvergadering in San Diego, CA, eerder deze maand.

Zoom in op die radiotherapie-workflow en de vragen stapelen zich op. Hoe zien de interacties tussen mens en machine er op de lange termijn uit in vergelijking met het eindspel van online adaptieve radiotherapie, afgestemd op de unieke behoeften van elke patiënt? Hoe zullen de rollen van klinische teamleden evolueren om de toenemende automatiseringsniveaus te ondersteunen en te beheren? Hoe gaan eindgebruikers ten slotte om met het ‘black-box’-karakter van automatiseringssystemen als het gaat om de inbedrijfstelling, validatie en monitoring van vernieuwde, gestroomlijnde behandelprogramma’s?

Kennis is macht

Bij het inzetten van automatiserings- en machine learning-instrumenten in een radiotherapieomgeving “moeten we het juiste probleem voor ogen hebben – dingen bouwen die klinisch relevant zijn – en ook de juiste belanghebbenden in gedachten hebben”, betoogde Tom Purdie, een stafmedisch fysicus bij de afdeling Radiotherapie. programma voor stralingsgeneeskunde op Prinses Margaret Cancer Center in Toronto, Canada. Tegelijkertijd merkte hij op dat het van cruciaal belang is om de zorgen van het personeel aan te pakken over het waargenomen “verlies van domeinkennis” dat gepaard gaat met de implementatie van automatisering in de kliniek, zelfs wanneer de eindgebruiker toezicht houdt op en beheert van geautomatiseerde tools terwijl hij nog steeds gedeelten van de automatisering afwerkt. de workflow die nog moet worden geautomatiseerd.

Als zodanig zullen medisch fysici en het bredere, interdisciplinaire zorgteam hun rol opnieuw moeten bedenken om hun bijdrage in deze ‘offline’ modus te optimaliseren. “Dus in plaats van naar elke patiënt te kijken en met ze om te gaan,” voegde Purdie eraan toe, “zal onze bijdrage gaan over de manier waarop [machine-learning] modellen worden gebouwd – om te garanderen dat er sprake is van databeheer, dat de juiste gegevens binnenkomen, en dat er sprake is van datacuratie. Dit is de manier om onze domeinkennis op peil te houden en toch de kwaliteit en veiligheid [voor patiënten] te garanderen.”

Ondertussen vormden de technische en menselijke factorengerelateerde uitdagingen rond de adoptie van geautomatiseerde behandelplanning het verhaal voor David Wiant, een senior medisch fysicus bij Kegel gezondheid, een zorgnetwerk zonder winstoogmerk gevestigd in Greensboro, NC. De motivaties voor geautomatiseerde planning (AP) zijn duidelijk genoeg: het meedogenloze opwaartse traject van kankerdiagnoses in alle voorspellingen voor de komende jaren. “Het is belangrijk dat we deze mensen zo snel mogelijk behandelen”, zei Wiant tegen de afgevaardigden.

De sleutel tot klinisch succes met AP ligt in het herkennen – en systematisch aanpakken van – de hindernissen voor de inzet ervan. Workflow-integratie is hiervan een voorbeeld. “Een kliniek moet een duidelijk plan hebben voor de implementatie van AP – wie het beheert, wanneer het wordt gebruikt en in welke gevallen,” merkte Wiant op. “Anders kun je snel in de problemen komen.”

Dan is er nog de betrouwbaarheid en het feit dat AP onverwachte resultaten kan opleveren. "Er zullen gevallen zijn waarin je een goede, zuivere set standaardpatiëntgegevens invoert en een resultaat krijgt dat je niet verwacht", vervolgde hij. Dat komt bijna altijd omdat de patiëntgegevens een aantal ongebruikelijke kenmerken hebben, bijvoorbeeld geïmplanteerde apparaten (of vreemde voorwerpen) of misschien een patiënt die eerder een bestralingsbehandeling heeft ondergaan.

Het antwoord, aldus Wiant, is om ervoor te zorgen dat het radiotherapieteam een ​​grondige kennis van de AP heeft om eventuele betrouwbaarheidsproblemen te begrijpen – en om deze kennis te gebruiken om gevallen te identificeren die handmatige planning vereisen. Tegelijkertijd, zo concludeerde hij, “is het belangrijk om bronnen van willekeurige fouten te identificeren die uniek kunnen zijn voor AP en controles toe te voegen om deze te beperken [terwijl] AP wordt uitgebreid om niet-standaard gevallen af ​​te handelen.”

Beschermen tegen zelfgenoegzaamheid

Verder stroomafwaarts in de workflow zijn er tal van problemen waarmee rekening moet worden gehouden bij de uitrol van geautomatiseerde QA voor behandelplanning, legt Elizabeth Covington uit, universitair hoofddocent en directeur kwaliteit en veiligheid op de afdeling radiotherapie bij Michigan Medicine, Universiteit van Michigan (Ann Arbor, MI).

Om wat Covington 'imperfecte automatisering' noemt bij de QA van de behandelingsplanning te vermijden, is het essentieel om de risicofactoren vooraf, vóór de implementatie, te begrijpen. De belangrijkste hiervan zijn zelfgenoegzaamheid op het gebied van automatisering (het onvermogen om voldoende waakzaam te zijn bij het toezicht op automatiseringssystemen) en automatiseringsbias (de neiging van eindgebruikers om geautomatiseerde besluitvormingssystemen te verkiezen boven tegenstrijdige informatie, zelfs als deze laatste correct is).

"Het is belangrijk dat je, wanneer je deze [geautomatiseerde plan-QA]-systemen gaat gebruiken, de beperkingen begrijpt", zegt Covington. "[Bijvoorbeeld], je wilt niet te snel autocontroles vrijgeven die valse positieven opleveren, omdat gebruikers ongevoelig worden voor de systeemvlaggen."

Gedetailleerde softwaredocumentatie is ook verplicht, stelt Covington. “Documentatie is je vriend,” zei ze tegen de afgevaardigden, “zodat het hele team – natuurkundigen, dosimetristen, therapeuten – weet wat deze autochecks doen en volledig begrijpt wat de automatisering hen vertelt.”

De laatste “must-have” is een prospectieve risicoanalyse van de automatiseringssoftware – of het nu om op maat gemaakte interne code gaat of om een ​​product van een derde partij van een commerciële leverancier. “Voordat u de software vrijgeeft,” aldus Covington, “moet u echt begrijpen wat de risico’s en gevaren zijn van het integreren van deze software in uw klinische workflow.”

Protonentherapie gaat in stijgende lijn, terwijl FLASH-behandelingsprogramma's klaar zijn om te schitteren

Met dit in gedachten legde Covington uit hoe zij en haar collega’s bij Michigan Medicine de risico’s van automatiseringstools kwantificeren in termen van het zogenaamde ‘software risk number’ (SRN). De SRN is in wezen een matrix van drie afzonderlijke inputs: populatie (een directe maatstaf voor de patiëntenpopulatie waarop het instrument invloed zal hebben); intentie (hoe de software zal worden gebruikt bij klinische besluitvorming en het vermogen ervan om de uitkomsten van patiënten acuut te beïnvloeden); en complexiteit (een maatstaf voor hoe moeilijk het is voor een onafhankelijke recensent om een ​​fout in de software te vinden).

Covington sloot af met een waarschuwende noot: “Voorlopig kan automatisering enkele problemen oplossen, maar niet alle problemen. Het kan ook nieuwe problemen veroorzaken – problemen die je niet verwacht.”

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://physicsworld.com/a/automation-in-the-radiotherapy-workflow-efficiency-effectiveness-and-limitations/