الذكاء الاصطناعي الطبي · asia
طوابير تصوير حالات البطن الحادة لا تعتمد فقط على أسبقية الوصول: AbdomenNet يساعد في التعرّف على الحالات الطارئة باستخدام التصوير المقطعي المحوسب من دون مادة تباين
حافظ نموذج التعلّم الذاتي الإشراف على أداء جيد في التعرّف على الحالات ضمن مجموعات مرضى من ثلاثة مستشفيات خارجية، كما مكّن اختصاصيي الأشعة من قراءة الصور بسرعة ودقة أكبر؛ لكن تسريع إصدار التقارير بمقدار 37 دقيقة لا يزال مستندًا إلى محاكاة استعادية، ولم يثبت بعد أنه يحسّن النتائج الفعلية للمرضى.
قد يكون ألم البطن في قسم الطوارئ ناجمًا عن حصاة في الحالب فحسب، وقد يكون أيضًا علامة على حالة خطيرة لا تحتمل التأخير، مثل نقص تروية المساريق أو تسلّخ الأبهر. وعندما تتدفق أعداد كبيرة من الصور إلى قائمة العمل في الوقت نفسه، قد لا تُراجع الحالات الحرجة فعلًا أولًا. وتقترح دراسة منشورة في مجلة «Nature Communications» نموذج AbdomenNet، بهدف التعرّف مسبقًا، من خلال فحوص التصوير المقطعي المحوسب للبطن من دون حقن مادة تباين، على المرضى الذين ينبغي إعطاء الأولوية لقراءة صورهم.
استخدم فريق البحث التعلّم الذاتي الإشراف، إذ أتاح للنموذج أن يتعلّم أولًا سمات الصور من 103,989 فحصًا غير موسوم للتصوير المقطعي المحوسب للبطن من دون مادة تباين، ثم ضبطه باستخدام 5,816 حالة ذات تسميات تشخيصية. ويمكن للنظام التعرّف بالتزامن على 11 مرضًا حادًا في البطن، إلى جانب تقييم مخاطر تؤثر في القرارات الجراحية، مثل إصابات الأعضاء عالية الدرجة، وانسداد الأمعاء الاختناقي، وانثقاب الجزء العلوي من الجهاز الهضمي.
في تحقق خارجي شمل 2,528 مريضًا في ثلاثة مستشفيات مستقلة من المستوى الثالث في الصين، بلغ المتوسط الإجمالي لمساحة AbdomenNet تحت منحنى خاصية التشغيل للمستقبِل (AUROC) في خمس فئات من الحالات الطارئة 0.919؛ وعند جمع التشخيصات الـ11 كلها، تراوح متوسط AUROC في كل مركز بين 0.889 و0.898. وجاءت هذه الحالات من أجهزة ذات علامات تجارية وإعدادات مسح مختلفة، ما يشير إلى أن النموذج لا يقتصر على جهاز واحد أو بيانات مستشفى واحد، إلا أن جميع مراكز التحقق كانت لا تزال مستشفيات كبيرة في البلد نفسه، ولم تثبت بعد قدرته على التعميم عبر أنظمة الرعاية الصحية المختلفة.
كذلك كلّفت الدراسة أربعة اختصاصيي أشعة بقراءة 380 حالة وفق تصميم تبادلي. وبعد إضافة احتمالات الأمراض والتشخيص المفضّل والخرائط الحرارية التي يوفرها الذكاء الاصطناعي، ارتفع متوسط AUROC لدى الأطباء من 0.812 إلى 0.924؛ وانخفض الوسيط الزمني لقراءة كل حالة من 197.5 ثانية إلى 145 ثانية. غير أن التجربة طلبت فقط التعرّف على 11 حالة محددة مسبقًا، ولم تشمل دمج البيانات السريرية الكاملة أو كتابة التقارير، ولذلك لا يمكن اعتبار هذه الثواني الـ52.5 مباشرةً مقدار الوقت الموفر فعليًا في العمل اليومي.
أما السؤال الأقرب إلى واقع أقسام الطوارئ فهو ما إذا كان الذكاء الاصطناعي قادرًا على تغيير ترتيب الصور في قائمة الانتظار. أعاد الباحثون بناء سير العمل باستخدام السجلات الزمنية القائمة لـ18,398 فحص تصوير مقطعي محوسب في قسم الطوارئ، كان من بينها 1,761 فحصًا للبطن من دون مادة تباين. وأظهرت نتائج المحاكاة أن إعطاء الأولوية لإحالة الحالات الطارئة التي يحددها النموذج للقراءة يمكن أن يخفض الوسيط الزمني لدوران تقارير الحالات الطارئة الحقيقية من 49.3 دقيقة إلى 12.3 دقيقة. لكن عتبة الحساسية المرتفعة أدت أيضًا إلى عدد كبير من الإنذارات الكاذبة: فمن بين 767 حالة وُسمت بالأولوية، كانت 203 حالات طارئة حقيقية و564 حالة إيجابية كاذبة.
لذلك، من الأنسب فهم هذه النتيجة بوصفها «أداة فرز خاضعة لإشراف اختصاصي الأشعة»، لا نظام تشخيص مستقلًا؛ كما أنها لا تستطيع أن تحل محل التصوير المقطعي المحوسب مع مادة تباين أو تصوير الأوعية بالتصوير المقطعي المحوسب، إذ يظل كلاهما من فحوص تأكيد التشخيص لعدد من حالات البطن الحادة. والدراسة تحليل استعادي، كما أن فائدة الدقائق الـ37 ناتجة من إعادة بناء سير العمل، واستخدمت تجربة قراءة الصور أيضًا حالات داخلية؛ لذا يجب أن تتمثل الخطوة التالية في إجراء تحقق استباقي لدى مرضى متتابعين وغير منتقين، مع قياس حالات التشخيص الفائت، وإرهاق التنبيهات، والمعايرة عبر المستشفيات، ونتائج المرضى، قبل أن يكون من الممكن الإجابة بما يكفي عما إذا كان النظام مناسبًا للدخول في الممارسة السريرية والمراجعة التنظيمية.