现实世界人工智能驱动的细分:辐射治疗中的效率提升和工作流挑战
Ciaran Malone1, Jill Nicholson2, Samantha Ryan1
1St.Luke's Radiation Oncology Network, Dublin, Ireland.
概括
人工智能驱动的轮 (AIseg) 显著减少了处于危险的器官 (OAR) 的轮时间,提高了工作流的效率. 然而,这一任务级改进并没有缩短整体CT-to-treatment时间,突出了对工作流程优化需求.
科学领域:
- 放射治疗瘤学 放射治疗瘤学
- 医学物理 医学物理
- 医疗信息学 医疗信息学
背景情况:
- 人工智能驱动轮 (AIseg) 对放射治疗工作流程效率的影响尚不清楚.
- 评估AIseg对危险器官 (OAR) 轮时间和整体治疗规划持续时间的影响至关重要.
研究的目的:
- 评估AIseg如何影响OAR轮任务持续时间.
- 评估整体放射治疗计划护理路径的变化,从CT扫描到治疗开始.
主要方法:
- 在大量患者队列中,对OAR轮时间 (AIseg实施前后) 的回顾性分析.
- 评估多个解剖部位的"正在进行"和"工作流"轮时间.
- 分析月度趋势和整体CT-to-treatment间隔的分析.
主要成果:
- AIseg 减少了 51.5% (p < 0.001) 的中位数活性 OAR 轮时间,复杂病例减少了高达 70%.
- 轮工作流程时间显示了AIseg实施后的下降趋势 (p < 0.001).
- 没有观察到整体CT-to-treatment间隔的显著下降,但更高比例的计划早些时候就准备好了.
结论:
- AIseg显著提高了轮效率,特别是在复杂的案例中,并改善了工作流程时间.
- 来自AIseg的任务级效率提升并不自动转化为更短的整体治疗途径.
- 优化工作流程和调度对于实现患者治疗时间表的有意义改进至关重要.
更多相关视频
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
2.9K
05:18Author Spotlight: Improving Radiation Therapy Access with Radiation Planning Assistant
Published on: October 6, 2023
1.5K
