Door geautomatiseerde hulpmiddelen te introduceren in het behandelingsplanningsproces heeft het klinische team van het Britse Castle Hill Hospital de consistentie kunnen verbeteren en tegelijkertijd aanzienlijke tijdbesparingen kunnen realiseren.
Intelligente softwareoplossingen zijn een cruciaal hulpmiddel geworden voor uitgebreide klinische teams om de best mogelijke zorg te bieden aan kankerpatiënten, vooral degenen die complexere behandelingen vereisen met hogere stralingsdoses. Softwaresystemen met ingebouwde kunstmatige intelligentie kunnen repetitieve taken automatiseren, de informatie die uit CT-simulators kan worden gehaald verbeteren en consistentie van zorg in een toenemend aantal gevallen garanderen.
In het Castle Hill Hospital in Cottingham, Verenigd Koninkrijk, dat elke maand enkele honderden patiënten behandelt met zijn zes lineaire versnellers, is intelligente software ingezet voor het gehele behandelingsplanningsproces. "We proberen gebruik te maken van elk hulpmiddel dat ons ter beschikking staat, of het nu gaat om eenvoudige beslissingsbomen of commerciële software die ons werk eenvoudiger en efficiënter maakt", zegt Carl Horsfield, hoofdfysicus bij Hull University Teaching Hospitals NHS Trust. “Net als veel behandelcentra hebben we een tekort aan personeel in vergelijking met nationale modellen, en gebruiken we software om ons te helpen hoogwaardige zorg te leveren.”
Al aan het begin van het proces werd geautomatiseerde software op de CT-simulatoren – de SOMATOM go.Open Pro van Siemens Healthineers – handhaaft de gevoeligheid van de beelden door de stralingsdosis aan te passen aan de grootte van de patiënt. De scanners zijn ook uitgerust met een slim algoritme, Direct i4D genaamd, dat de kwaliteit verbetert van tijdsopgeloste beelden die worden gebruikt om de ademhalingsbeweging van patiënten met longkanker vast te leggen. Normaal gesproken produceren deze 4D CT-scans alleen nauwkeurige beelden als tijdens de acquisitietijd regelmatig wordt ademgehaald, doorgaans ongeveer twee minuten, maar dat is zelden het geval bij patiënten met longaandoeningen.
“Longpatiënten zijn vaak complex en problematisch bij CT, en ik heb veel tijd besteed aan het bijwonen van scans om te beoordelen of de beelden voor 4D-longpatiënten klinisch geschikt zijn”, zegt Horsfield. “Met dit slimme algoritme passen de scanparameters zich in realtime aan de ademhaling van de patiënt aan, waardoor de radiografen veel meer vertrouwen hebben in de opname wanneer het ademhalingspatroon onregelmatig is.”
Er kunnen nog aanzienlijkere tijdbesparingen worden bereikt door gebruik te maken van een AI-aangedreven oplossing die is ingebed in de CT-scanner, DirectORGANS genaamd, en die de beeldgegevens combineert met een diepgaand leeralgoritme om automatisch de kritieke organen van de patiënt te contouren. Dergelijke automatische contouren worden gegenereerd voor elke radicale patiënt die in Castle Hill wordt behandeld, waardoor de noodzaak voor een arts wordt vermeden om elke structuur met de hand te tekenen. Op verstopte behandelingsplaatsen, zoals het hoofd en de nek, kan dit de tijd die nodig is met een uur of meer verkorten. “Het besparen van tijd voor onze artsen is van cruciaal belang, en autocontouring is een fantastische manier om ervoor te zorgen dat ze geen eenvoudige taken voor meerdere patiënten herhalen”, aldus Horsfield.
Belangrijk is dat de nauwkeurigheid van de automatische contouren – en daarmee de hoeveelheid tijd die kan worden bespaard – afhankelijk is van de kwaliteit van de invoergegevens. DirectORGANS biedt hier een belangrijk voordeel, omdat het een op maat gemaakte dataset van de CT-scan vastlegt die is geoptimaliseerd om de beste resultaten uit het deep-learning-algoritme te genereren. “Veel autocontouringtools worden gehost in de cloud, wat betekent dat ze alleen toegang hebben tot de scan die is geconfigureerd voor de behoeften van het klinische team”, legt Horsfield uit. “Een van de redenen waarom we DirectORGANS zo leuk vinden, is dat het zijn eigen reconstructie maakt, waarbij de parameters op de verwervende scanner worden aangepast aan de manier waarop de orgels zouden moeten worden gemaakt.”
De software genereert nauwkeurige contouren voor veel voorkomende risicoorganen, waaronder de longen, prostaat, blaas en wervelkanaal. Eenmaal aangemaakt, beoordeelt de arts van de patiënt in Castle Hill de structuren altijd, bewerkt ze indien nodig en bakent hij de tumor handmatig af. Van cruciaal belang is dat de arts ook de definitieve reeks contouren moet goedkeuren voordat deze worden gebruikt voor de behandelplanning. “Een arts moet er nog steeds voor zorgen dat de contouren die door de algoritmen worden geproduceerd, geschikt zijn voor het beoogde doel”, zegt Horsfield. “We vragen ze ook om feedback te geven over de kwaliteit van de orgels, waardoor we een zekere interne kwaliteitsborging hebben.”
Terwijl de eerste versie van de software 30 of 40 vooraf geladen structuren bevatte, heeft de nieuwste release de dekking en nauwkeurigheid nog verder verbeterd. Een belangrijke vooruitgang is bijvoorbeeld de mogelijkheid om automatisch de lymfeklierketens te contouren, wat normaal gesproken een handmatige en moeizame taak is. “Voor prostaatpatiënten waarbij er risico bestaat op infiltratie van de lymfeklieren, moeten de artsen zich helemaal vanaf de prostaat over het heiligbeen naar het einde van de lokale lymfeklierketen werken”, legt Horsfield uit. “Het geautomatiseerd contouren maken van dit soort constructies zal voor hen een enorme besparing opleveren, zelfs als er wat bewerking nodig is.”
Ondertussen zijn er ook een aantal geautomatiseerde hulpmiddelen ingebouwd in het behandelplanningssysteem van het team, Varian's Eclipse. Een die bijzonder nuttig is gebleken voor het Castle Hill-team is RapidPlan, een op kennis gebaseerde oplossing die een model gebruikt dat is gemaakt op basis van eerdere gevallen om een gepersonaliseerd behandelplan voor een nieuwe patiënt te genereren. "Het is een hulpmiddel dat ons helpt te bepalen wat haalbaar is voor elke patiënt, vooral voor meer gecompliceerde gevallen waarbij de locatie van de risicoorganen de dekking van het doelwit in gevaar zou kunnen brengen", zegt Horsfield. “We hebben klasseoplossingen voor onze behandelplannen als uitgangspunt, maar het is slimmer dan dat omdat het specifiek is voor de anatomie van elke patiënt.”
Deze op kennis gebaseerde aanpak is vooral gunstig gebleken voor nieuwe medewerkers en heeft ook de consistentie en kwaliteit van de plannen die door het hele team worden geproduceerd verbeterd. “Iemand die zes maanden bij ons werkt, maakt misschien geen plan van hetzelfde niveau als een van onze meer ervaren teamleden”, zegt Horsfield. “Door hun kennis uit te breiden met deze intelligente tools krijgen ze toegang tot die ervaring en wordt de kwaliteit van de plannen die we maken gestandaardiseerd.”
Zoals bij elke machine learning-aanpak hangt de kwaliteit van de voorspellingen af van de trainingsgegevens die zijn gebruikt om het model te maken. Bij Castle Hill heeft het team zijn eigen cases gebruikt om modellen te ontwikkelen voor vier behandelingslocaties – de longen, hoofd-en-hals, slokdarm en prostaat – terwijl er nu nog een aantal andere worden ontwikkeld om verdere tijdbesparingen voor het planningsteam te realiseren. "Een van de grote problemen bij het plannen van behandelingen is weten wanneer je moet stoppen", zegt Horsfield. “RapidPlan biedt de zekerheid dat u een optimale oplossing voor die patiënt heeft gevonden, en dat het minder voordeel oplevert om extra tijd te besteden aan het in twijfel trekken van uw keuzes.”
Het Eclipse-behandelingsplanningssysteem biedt ook een interface voor het toevoegen van op maat gemaakte hulpmiddelen aan het planningsproces. Het team van Castle Hill heeft bijvoorbeeld een geautomatiseerd hulpmiddel ontwikkeld voor het creëren van optimalisatiestructuren, die de oplossingen beperken die door het behandelingsplanningssysteem worden geproduceerd door bepaalde gebieden te definiëren waarop niet moet worden bestraald. "We hebben ongeveer vijftien verschillende protocollen gemaakt om deze vermijdings- en optimalisatiestructuren te creëren", zegt Horsfield. “Het zijn allemaal eenvoudige handelingen, maar we realiseerden ons dat ze voor vrijwel elk behandelplan handmatig werden uitgevoerd. Het geeft ons echt kracht om onze eigen tools te kunnen creëren waarmee we onze processen efficiënter kunnen maken.”
Dergelijke efficiëntiebesparingen zijn vooral van cruciaal belang in een tijd waarin behandelcentra als Castle Hill te maken hebben met de gevolgen van de COVID-19-pandemie. Met een enorme toestroom van patiënten en een tekort aan beroepsbeoefenaren in de gezondheidszorg helpen intelligente tools die ten minste een deel van het behandelingsplanningsproces kunnen automatiseren de voortdurende inspanningen om de achterstand weg te werken. “Onze capaciteit vóór COVID was om 40 plannen per week te produceren, en nu doet het hele team er alles aan om dat op te voeren tot 50”, zegt Horsfield. “Elke efficiëntie die we kunnen bereiken door onze processen te automatiseren, helpt ons vooruitgang te boeken met ons herstelplan, terwijl we er ook voor zorgen dat we plannen van hoge kwaliteit blijven produceren voor elke patiënt die we behandelen.”
- 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/intelligent-solutions-streamline-radiotherapy-treatment-planning/
