Införandet av automatiserade verktyg i behandlingsplaneringsprocessen har gjort det möjligt för det kliniska teamet vid Storbritanniens Castle Hill Hospital att förbättra konsekvensen samtidigt som de har uppnått betydande tidsbesparingar
Intelligenta mjukvarulösningar har blivit ett avgörande verktyg för utsträckta kliniska team för att ge bästa möjliga vård till cancerpatienter, särskilt de som kräver mer komplexa behandlingar med högre stråldoser. Mjukvarusystem med inbyggd artificiell intelligens kan automatisera repetitiva uppgifter, förbättra informationen som kan extraheras från CT-simulatorer och säkerställa konsekvens i vården i ett ökande antal fall.
På Castle Hill Hospital i Cottingham, Storbritannien, som behandlar flera hundra patienter varje månad med sina sex linjäracceleratorer, har intelligent programvara distribuerats över hela dosplaneringsprocessen. "Vi försöker använda alla verktyg som står till vårt förfogande, oavsett om det är enkla beslutsträd eller kommersiell programvara som gör vårt arbete enklare och mer effektivt", säger Carl Horsfield, huvudfysiker vid Hull University Teaching Hospitals NHS Trust. "Som många behandlingscentra har vi ont om personal jämfört med nationella modeller, och vi använder mjukvara för att hjälpa oss att leverera vård av hög kvalitet."
Direkt i början av processen, automatiserad programvara på CT-simulatorerna – den SOMATOM go.Open Pro från Siemens Healthineers – bibehåller bildernas känslighet genom att modulera stråldosen för att matcha patientens storlek. Skannrarna är också utrustade med en smart algoritm, kallad Direct i4D, som förbättrar kvaliteten på tidsupplösta bilder som används för att fånga andningsrörelser hos patienter med lungcancer. Normalt producerar dessa 4D CT-skanningar endast korrekta bilder när regelbundna andetag tas under inhämtningstiden, vanligtvis cirka två minuter, men det är sällan fallet för patienter med lungtillstånd.
"Lungpatienter är ofta komplexa och problematiska vid CT, och jag har ägnat mycket tid åt att gå på skanningar för att bedöma om bilderna för 4D-lungpatienter är kliniskt lämpliga", säger Horsfield. "Med denna smarta algoritm anpassar skanningsparametrarna sig till patientens andning i realtid, vilket gör radiograferna mycket mer säkra på inhämtningen när andningsmönstret är oregelbundet."
Ännu mer betydande tidsbesparingar kan uppnås genom att använda en AI-driven lösning inbäddad i CT-skannern, kallad DirectORGANS, som kombinerar bilddata med en djupinlärningsalgoritm för att automatiskt konturera patientens kritiska organ. Sådana automatiska konturer genereras för varje radikal patient som behandlas på Castle Hill, vilket undviker behovet för en läkare att rita varje struktur för hand. På överbelastade behandlingsställen, som huvud-och-hals, kan det minska tiden med en timme eller mer. "Att spara tid för våra läkare är av största vikt, och autokonturering är ett fantastiskt sätt att säkerställa att de inte upprepar enkla uppgifter för flera patienter", kommenterar Horsfield.
Det är viktigt att noggrannheten hos de automatiska konturerna – och därmed hur mycket tid som kan sparas – beror på kvaliteten på indata. DirectORGANS erbjuder en viktig fördel här, eftersom den fångar en skräddarsydd datauppsättning från CT-skanningen som har optimerats för att generera de bästa resultaten från algoritmen för djupinlärning. "Många verktyg för autokonturering finns i molnet, vilket innebär att de bara har tillgång till skanningen som har konfigurerats för det kliniska teamets behov", förklarar Horsfield. "En av anledningarna till att vi gillar DirectORGANS är att den gör sin egen rekonstruktion och ställer in parametrarna på den förvärvande skannern för att matcha hur organen ska tillverkas."
Programvaran genererar exakta konturer för många vanliga organ i riskzonen, inklusive lunga, prostata, urinblåsa och ryggradskanalen. När den väl har skapats granskar patientens läkare på Castle Hill alltid strukturerna, redigerar dem efter behov och avgränsar tumören manuellt. Avgörande är att läkaren också måste godkänna den slutliga uppsättningen konturer innan de används för behandlingsplanering. "En läkare måste fortfarande se till att konturerna som produceras av algoritmerna är lämpliga för syftet", säger Horsfield. "Vi uppmanar dem också att ge feedback om kvaliteten på organen, vilket ger oss en viss intern kvalitetssäkring."
Medan den ursprungliga versionen av programvaran inkluderade 30 eller 40 förinstallerade strukturer, har den senaste versionen förbättrat täckningen och noggrannheten ytterligare. Ett viktigt framsteg är till exempel möjligheten att automatiskt konturera lymfkörtelkedjorna, normalt en manuell och mödosam uppgift. "För prostatapatienter där det finns risk för nodal infiltration måste klinikerna arbeta sig hela vägen från prostatan över korsbenet till slutet av den lokala lymfkörtelkedjan", förklarar Horsfield. "Att ha automatiserad konturering för dessa typer av strukturer kommer att vara en enorm besparing för dem, även vid tillfällen då viss redigering krävs."
Samtidigt är ett antal automatiserade verktyg också inbyggda i teamets dosplaneringssystem, Varians Eclipse. En som har visat sig särskilt användbar för Castle Hill-teamet är RapidPlan, en kunskapsbaserad lösning som använder en modell skapad från tidigare fall för att skapa en personlig behandlingsplan för en ny patient. "Det är ett verktyg som hjälper oss att avgöra vad som är möjligt för varje patient, särskilt för mer komplicerade fall där platsen för de organ som är i riskzonen kan äventyra täckningen av målet", säger Horsfield. "Vi har klasslösningar för våra behandlingsplaner som utgångspunkter, men det är smartare än så eftersom det är specifikt för varje patients anatomi."
Detta kunskapsbaserade tillvägagångssätt har visat sig vara särskilt fördelaktigt för nya medarbetare och har också förbättrat konsekvensen och kvaliteten på de planer som tagits fram i hela teamet. "Någon som har varit med oss i sex månader kanske inte skapar en plan av samma standard som en av våra mer erfarna teammedlemmar", säger Horsfield. "Att utöka sin kunskap med dessa intelligenta verktyg ger dem tillgång till den erfarenheten och standardiserar kvaliteten på de planer vi producerar."
Som med alla metoder för maskininlärning beror kvaliteten på förutsägelserna på träningsdata som används för att skapa modellen. På Castle Hill har teamet använt sina egna fall för att utveckla modeller för fyra behandlingsställen – lunga, huvud-och-hals, matstrupe och prostata – med flera andra som nu utvecklas för att realisera ytterligare tidsbesparingar för planeringsteamet. "En av de stora svårigheterna med behandlingsplanering är att veta när man ska sluta", säger Horsfield. "RapidPlan ger försäkran om att du har hittat en optimal lösning för den patienten och att det är mindre fördelar med att lägga ytterligare tid på att ifrågasätta dina val."
Eclipse dosplaneringssystem tillhandahåller också ett gränssnitt för att lägga till skräddarsydda verktyg till planeringsprocessen. Som ett exempel har teamet på Castle Hill skapat ett automatiserat verktyg för att skapa optimeringsstrukturer, som begränsar de lösningar som produceras av dosplaneringssystemet genom att definiera särskilda områden som inte bör riktas mot strålning. "Vi har gjort cirka 15 olika protokoll för att skapa dessa undvikande- och optimeringsstrukturer", säger Horsfield. "De är alla enkla operationer, men vi insåg att de gjordes manuellt för nästan varje behandlingsplan. Det har verkligen varit givande att kunna skapa våra egna verktyg för att göra våra processer mer effektiva.”
Sådana effektivitetsbesparingar är särskilt kritiska i en tid då behandlingscentra som Castle Hill hanterar nedfallet från covid-19-pandemin. Med en enorm tillströmning av patienter och en brist på sjukvårdspersonal hjälper intelligenta verktyg som kan automatisera åtminstone en del av behandlingsplaneringsprocessen de pågående ansträngningarna att ta sig igenom eftersläpningen. "Vår kapacitet före COVID var att producera 40 planer per vecka, och nu gör hela teamet en stor satsning för att öka det till 50", säger Horsfield. "Varje effektivitet vi kan uppnå genom att automatisera våra processer hjälper oss att göra framsteg mot vår återhämtningsplan, samtidigt som vi säkerställer att vi fortsätter att ta fram högkvalitativa planer för varje patient vi behandlar."
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
- Källa: https://physicsworld.com/a/intelligent-solutions-streamline-radiotherapy-treatment-planning/
