Kunstig intelligens (AI)-forbedret forbehandlingsfagfellevurderingsprosess for å forbedre pasientsikkerheten i stråleterapi

Ettersom stråleterapi (RT) blir mer kompleks, øker antallet mulige feilveier. AI-støttet fagfellevurdering kan bidra til å fange opp feil som ellers kunne ha gått ubemerket hen og fremme konsekvente, rettferdige sikkerhetsstandarder på tvers av både landlige og urbane klinikker.

Stråleterapi (RT) brukes hos omtrent 50 % av kreftpasienter og gis vanligvis i poliklinikker. Nyere teknologier som intensitetsmodulert stråleterapi (IMRT), volumetrisk modulert buestråleterapi (VMAT) og bildeveiledet stråleterapi (IGRT) forbedrer behandlingen ved å beskytte normalvev bedre og gi høyere dose i målområdene. Imidlertid er de mer komplekse og krever svært presis definisjon av svulstmål og normalvev. Selv små feil i avgrensningen av disse områdene kan føre til underbehandling av svulsten eller overbehandling av friskt vev. Studier viser at feil i definisjonen av målområder har økt i moderne stråleonkologi. Fordi disse behandlingene er mer kognitivt krevende, har risikoen for planleggingsfeil økt, og i noen tilfeller kan feil føre til alvorlig skade.

Førbehandlings fagfellevurdering, der et tverrfaglig team vurderer behandlingsplanen før terapi starter, er et viktig sikkerhetstrinn og sterkt anbefalt. Den er mest effektiv når den gjøres før behandlingen starter, siden korreksjoner senere kan forårsake behandlingsforsinkelser, hastede endringer og tillegg. Den potensielle påvirkningen på pasientsikkerheten er betydelig.

På grunn av den økende kompleksiteten og arbeidsmengden er det behov for å styrke og delvis automatisere førbehandlings fagfellevurdering. AI/ML-beslutningsstøtteverktøy kan hjelpe ved å oppsummere nøkkelinformasjon, fremheve uvanlige planegenskaper og trekke oppmerksomhet til områder med potensiell risiko. Disse verktøyene tar ikke behandlingsbeslutninger. I stedet gir de analyser og visuelle oppsummeringer for å støtte klinikere og redusere kognitiv belastning.

Fordi verktøyet også fremhever forskjeller i hvordan leverandører planlegger behandlinger, kan det bidra til å identifisere variasjon i omsorg og trekke oppmerksomhet til potensielle helseforskjeller, noe som støtter fremtidige innsatser for å forbedre rettferdighet i stråleonkologi.