Von 20 Minuten oder mehr in 10 Sekunden.
Forscher vom Intermountain Healthcare und der Stanford University sagen, 10 Sekunden ist in etwa wie schnell es brauchte ein neues system, das Sie untersucht, nutzt künstliche Intelligenz, um genau zu identifizieren, die wichtige Erkenntnisse in der Brust X-Strahlen des Patienten in die Notaufnahme, Verdacht auf Lungenentzündung.
Die Studie ergab, dass diejenigen, die ultra-schnelle Ergebnisse ermöglichen ärzten Lesen, X-Strahlen, um genau zu bestätigen, eine Diagnose Lungenentzündung deutlich schneller als die aktuellen klinischen Praxis, mit denen eine Therapie früher zu starten, was wichtig ist für schwer kranke Patienten, die sind leiden von Lungenentzündung.
Erkenntnisse aus den kollaborativen Studie vorgestellt auf dem European Respiratory Society International Congress 2019, statt in Madrid, Spain, on Monday, Sept. 30, 2019.
Forscher vom Intermountain und Stanford studierte die CheXpert-system, eine automatisierte Brust X-ray, interpretation, Modell, entwickelt an der Stanford University, nutzt künstliche Intelligenz, um zu überprüfen, X-ray-images für eine Reihe von Notfall-Abteilungen bei Intermountain Krankenhäusern in ganz Utah.
Bei der überprüfung fanden die Forscher die CheXpert-system wurden wichtige Erkenntnisse in X-Strahlen sehr genau—mit einer hohen Zustimmung zu einem Konsens, der von drei Radiologen in etwa 10 Sekunden, was deutlich übertrifft aktuellen klinischen Praxis.
„CheXpert wird schneller und präziser als Radiologen Betrachtung der Studien. Es ist eine aufregende neue Art des Denkens über die Diagnose und Behandlung von Patienten bereitzustellen, die sehr beste Sorgfalt möglich“, sagte Nathan C. Dean, MD, principal investigator der Studie und Abteilungsleiter der Lungen-und kritischen Sorgfalt-Medizin an der Intermountain Medical Center in Salt Lake City.
Die CheXpert Modell wurde entwickelt von der Stanford Machine Learning Group, die verwendet 188,000 Brust imaging-Studien ein Modell zu erstellen, können Sie bestimmen, was ist und ist nicht eine Lungenentzündung auf einer X-ray. Diese Bilder wurden von der Stanford Medical Center in Palo Alto, Kalifornien
Da die Patientengruppen sind unterschiedlich pro Standort CheXpert war dann eine Feinabstimmung für Utah durch das Lesen eine zusätzliche 6,973 Bilder von Intermountain Notfall-Abteilungen.
„Wir haben schon die Entwicklung eines deep learning-Algorithmus, die automatisch erkennen, kann Lungenentzündung und Verwandte Befunde in der Brust X-Strahlen“, sagte Jeremy Irvin, ein Ph. D. student an der Stanford und Mitglied des research-Teams. „In dieser ersten Studie haben wir demonstriert der Algorithmus das Potenzial, indem Sie überprüfen es auf Patienten in der Notfall-Abteilungen bei Intermountain Healthcare. Unsere Hoffnung ist, dass der Algorithmus kann zur Verbesserung der Qualität der Pneumonie Pflege bei Intermountain, von der Verbesserung der diagnostischen Genauigkeit zu verkürzen die Zeit bis zur Diagnose.“
In einer typischen Notfall-Abteilung, Dr. Dean erklärt, Patienten mit Verdacht auf Pneumonie erhalten eine Brust X-ray. Beim erstellen dieser Bilder ist ein schneller Prozess, dass Sie Lesen können zeitaufwendig sein, da die X-Strahlen gehen in eine Linie mit anderen Bildern interpretiert werden, die durch Radiologen. Dieser Prozess kann dauern bis zu 20 Minuten oder mehr, was bedeutet, potenzielle Verzögerungen beim start von Antibiotika sehr krank Lungenentzündung Patienten.
Bei Intermountain Notfall-Abteilungen, die Radiologie Berichte werden ausgeführt durch die Cerner Natural Language Processing (NLP), was ist ein support-tool, die derzeit verwendet werden, um benötigte Informationen aus der radiologe Bericht. NLP speist dann die Informationen in ePNa, einem elektronischen klinischen Entscheidung support-tool, Teil der gewöhnlichen Pneumonie Pflege bei Intermountain.
Für die meisten Notfall-Abteilungen, wo ePNa ist nicht verfügbar, die CheXpert Modell könnte Informationen liefern, die von der Brust X-Strahlen, die direkt an ärzte, sagte Dr. Dean.
„Mit der CheXpert system, fanden wir die interpretation der Zeit war sehr schnell und die Genauigkeit des Berichts zu sein, sehr hoch“, fügte er hinzu.
Für die Studie, Intermountain Radiologen kategorisiert Brust Bilder von 461 Intermountain Patienten als „wahrscheinlich“, „wahrscheinlich unsicher“ „eher unwahrscheinlich-unsicher“ oder „unwahrscheinlich“ zu haben Lungenentzündung. Identifizierten Sie auch Bilder, die Sie glaubte, zeigte Lungenentzündung in mehrere Teile der Lunge, und ob diese Patienten hatten parapneumonic Erguss, die die Ansammlung von Flüssigkeit zwischen der Lunge und Brusthöhle.
Die Radiologen unterschieden sich voneinander in Ihren Kategorisierungen in mehr als der Hälfte der Patienten, wie bereits allgemein gezeigt in früheren Studien. Die CheXpert-Modell Leistung auf die gleichen Bilder war vergleichbar mit dem Radiologen.
Forscher fanden heraus, dass die CheXpert Modell besser als das aktuelle system, mit einem Radiologen zu erstellen radiology reports für alle wichtigen Ergebnisse Lungenentzündung, plus NLP. Es Tat dies auch in weniger als 10 Sekunden, im Vergleich zu 20 Minuten zu Stunden von NLP. NLP und Radiologie-Berichte war die häufigste Ursache für Fehler innerhalb ePNa.
„Eine 2013-Studie, veröffentlicht in JAMA Internal Medicine festgestellt, dass 59 Prozent der Fehler gemacht, indem ePNA wurden durch die NLP-Verarbeitung der radiologe Berichte, also sind wir eifrig, zu ersetzen Sie es durch ein besseres, schnelleres system,“ Dr. Dean sagte.
Außerhalb der ePNa Bedenken, Notaufnahme ärzte betrachten Radiologie-Berichte sind oft herausgefordert zu verstehen, die unstrukturierte Sprache, die von Radiologen bei der Interpretation von Schatten auf der Brust X-Strahlen, Dr. Toten Hinzugefügt.