{"id":76867,"date":"2023-12-02T09:04:59","date_gmt":"2023-12-02T08:04:59","guid":{"rendered":"https:\/\/andreaforneris.com\/web\/?p=76867"},"modified":"2023-12-02T09:06:08","modified_gmt":"2023-12-02T08:06:08","slug":"76867-2","status":"publish","type":"post","link":"https:\/\/andreaforneris.com\/web\/76867-2\/","title":{"rendered":"Panoramica sull&#8217;utilizzo globale della IA in radiologia"},"content":{"rendered":"<div class=\"wpb-content-wrapper\"><p>[vc_row][vc_column][vc_column_text]<\/p>\n<div>\u00a0Le parole\u00a0 \u201cintelligenza artificiale\u201d in radiologia hanno sempre suscitato interesse curiosit\u00e0 e stupore ma anche preoccupazione e timore. L&#8217;aumento\u00a0 di precisione ed efficienza che l\u2019apprendimento automatico e l\u2019intelligenza artificiale possono portare alla pratica radiologica possono scatenare\u00a0 un senso di presentimento e paura di essere resi\u00a0 obsoleti.<\/div>\n<div><\/div>\n<div>La maggior parte del personale di imaging pensa all&#8217;intelligenza artificiale come destinata all\u2019apprendimento automatico per assistere in attivit\u00e0\u00a0 come valutazioni\u00a0 anatomiche dettagliate o rilevamento e documentazione di lesioni patologiche. Allo stesso tempo, i radiologi temono che un giorno\u00a0 l\u2019apprendimento automatico potrebbe sostituirli nell&#8217;attivit\u00e0 di interpretazione di casi semplici che sono state un punto fermo della loro routine quotidiana. I tecnici di radiologia vedono anno dopo anni la gestione dei parametri delle apparecchiature passare a processi automatici gestiti dalla macchina.<\/div>\n<div><\/div>\n<div><\/div>\n<div>Tuttavia, raramente si pensa al di la dell\u2019impatto immediato sulla\u00a0 pratica radiologica classica e non si pensa\u00a0 ai potenziali benefici e le opportunit\u00e0 che l\u2019apprendimento automatico e l\u2019intelligenza artificiale possono significare per le operazioni di radiologia.<\/div>\n<div>Ci sono infatti molti altri modi in cui si possono\u00a0 sviluppare soluzioni di trattamento dati che possano migliorare le operazioni nei dipartimenti di radiologia.<\/div>\n<div><\/div>\n<div>Pensiamo per esempio alle pratiche di programmazione esami,\u00a0 di scelta della metodica e scelta del protocollo di studio. i. Non di rado infatti , i pazienti vengono studiati con metodiche di imaging che non sono ideali per la loro particolare condizione clinica e con tempistiche\u00a0 che non corrispondono alle necessit\u00e0 dei trattamenti. Si potrebbe\u00a0 immaginare di addestrare algoritmi di apprendimento automatico per migliorare il supporto decisionale per la creazione delle richieste\u00a0 estraendo dei dati dalla cartella clinica\u00a0 e ricercando precedenti patologici importanti. Questi potrebbero precompilare i campi i di supporto decisionale che consentirebbero\u00a0 ai professionisti anche non radiologi di selezionare l&#8217;esame di imaging pi\u00f9 appropriato per le condizioni del paziente senza dover rianalizzare completamente le\u00a0 condizioni cliniche attuali del paziente.<\/div>\n<div>Una volta identificato l&#8217;esame corretto, altri algoritmi di apprendimento automatico potrebbero basarsi su\u00a0 migliaia di esami precedenti\u00a0 simili per prevedere tempistiche, basandosi anche su\u00a0 fattori di rischio legati a condizioni di comorbilit\u00e0 particolari (ad esempio difficolt\u00e0 respiratoria o accesso endovenoso limitato).<\/div>\n<div><\/div>\n<div><\/div>\n<div>Si potrebbero anche\u00a0 creare pianificazioni intelligenti per i reparti e le apparecchiature\u00a0 di imaging che non si basano su durate di esame preesistenti ma vengono adattate sulla base della previsioni di procedura prevista per ciascun paziente del futuro prossimo. Una volta programmato un esame in uno slot di imaging personalizzato ,\u00a0 si potrebbe gi\u00e0 avere a disposizione indicazioni di protocollo di imaging appropriato per il problema clinico in questione. Alcuni dipartimenti molto avanzati a livello informatico\u00a0 hanno iniziato ad protocollare in modo automatico\u00a0 alcuni esami, in genere quelli piu semplici per ora, anche perche\u00a0 condizioni cliniche pi\u00f9 complesse richiedono una revisione pi\u00f9 attenta di tutti i dati. Come detto quindi gli algoritmi di apprendimento automatico potrebbero essere addestrati a prescrivere il protocollo corretto sulla base dell\u2019esperienza di protocollo precedente di migliaia di pazienti precedenti con condizioni cliniche simili. I radiologi non saranno pi\u00f9 frustrati dalla lettura di esami di imaging eseguiti su apparecchiature di imaging con protocolli tutt&#8217;altro che ideali per il quesito clinico, e non dovrebbero piu dedicare tempo a queste procedure ma\u00a0 focalizzare maggiormente l\u2019attenzione sull\u2019interpretazione delle immagini, ottimizzando potenzialmente il loro flusso di lavoro e migliorando la loro efficienza.<\/div>\n<div><\/div>\n<div><\/div>\n<div>Se immaginato\u00a0 su un&#8217;intera flotta di risorse di imaging,\u00a0 questa struttura informatica potrebbe anche\u00a0 prevedere il carico di lavoro di\u00a0 determinate apparecchiature\u00a0 e consentire l&#8217;aggiunta di pazienti\u00a0 sulla base della condizione loro\u00a0 clinica, di dove si trovano\u00a0 e della disponibilit\u00e0 immediata.<\/div>\n<div><\/div>\n<div>Oltre a questo l&#8217;evoluzione dell&#8217;IA ha gi\u00e0 portato un impatto significativo sul miglioramento della qualit\u00e0 di immagine e sulla diminuzione della dose di radiazioni utilizzata, o sul tempo di acquisizione nel caso per esempio dello studio RM. Esami pi\u00f9 brevi significano maggiore produttivit\u00e0 e maggiore efficienza nelle nostre pratiche. Oltre a ridurre semplicemente i tempi di scansione delle immagini, gli algoritmi intelligenti dei nostri scanner sono in grado di rilevare eventuali problemi relativi alla qualit\u00e0 dell&#8217;immagine e di avvisare che dovrebbe essere necessario ripetere gli esami prima che i pazienti lascino la struttura o il reparto.<\/div>\n<div><\/div>\n<div>Altri miglioramenti importantissimi potrebbero essere applicati alla\u00a0 sicurezza possono essere migliorate con algoritmi di apprendimento automatico, tra cui l\u2019estrapolazione dalla cartella clinica elettronica alla ricerca documenti relativi a impianti metallici che potrebbero creare limitazioni agli esami MRI . Ancora, trovare subito\u00a0 precedenti allergie di contrasto che non sono state documentate in documenti clinici. Dal punto di vista tecnologico, forse una delle maggiori opportunit\u00e0 per gli algoritmi di apprendimento automatico \u00e8 la postelaborazione L\u2019imaging multiplanare di routine e il rendering volumetrico di anatomie complesse possono essere notevolmente migliorati con strumenti di apprendimento automatico, riducendo potenzialmente i costi degli operatori tecnici.<\/div>\n<div><\/div>\n<div><\/div>\n<div>Una volta eseguiti gli esami, questi vengono generalmente indirizzati a una lista di lavoro comune condivisa tra diversi radiologi. Nella pratica generale, queste liste di lavoro verranno lette da una serie di radiologi con background ed esperienze diverse. Alcuni potrebbero aver svolto borse di studio in neuroradiologia, mentre altri potrebbero aver svolto borse di studio in imaging del seno. Dal punto di vista operativo, pu\u00f2 essere utile indirizzare automaticamente determinati esami a radiologi con particolare esperienza. Ad esempio, un numero limitato di radiologi potrebbe essere specialista in un determinato campo clinico e se l&#8217;algoritmo\u00a0 automatico rileva un paziente che potrebbe avere questa condizione indirizzerebbe automaticamente il caso ad uno di quei radiologi.<\/div>\n<div><\/div>\n<div><\/div>\n<div>Ripensando quindi ai punti presi in considerazione viene da immaginare che\u00a0 il futuro che ci aspetter\u00e0 non sar\u00e0 fatto da radiologi o tecnici che vengono sostituiti dall&#8217;intelligenza artificiale, ma da radiologi o tecnici che vengono sostituiti da loro colleghi che usano in modo efficace questi nuovi strumenti tecnologici.<\/div>\n<p>[\/vc_column_text][\/vc_column][\/vc_row]<\/p>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>[vc_row][vc_column][vc_column_text] \u00a0Le parole\u00a0 \u201cintelligenza artificiale\u201d in radiologia hanno sempre suscitato interesse curiosit\u00e0 e stupore ma anche preoccupazione e timore. L&#8217;aumento\u00a0 di precisione ed efficienza che l\u2019apprendimento automatico e l\u2019intelligenza artificiale possono portare alla pratica radiologica possono scatenare\u00a0 un senso di presentimento e paura di essere resi\u00a0 obsoleti. La maggior parte del personale di imaging pensa&hellip;<\/p>\n","protected":false},"author":1,"featured_media":76870,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[101],"tags":[547,540],"_links":{"self":[{"href":"https:\/\/andreaforneris.com\/web\/wp-json\/wp\/v2\/posts\/76867"}],"collection":[{"href":"https:\/\/andreaforneris.com\/web\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/andreaforneris.com\/web\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/andreaforneris.com\/web\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/andreaforneris.com\/web\/wp-json\/wp\/v2\/comments?post=76867"}],"version-history":[{"count":3,"href":"https:\/\/andreaforneris.com\/web\/wp-json\/wp\/v2\/posts\/76867\/revisions"}],"predecessor-version":[{"id":76871,"href":"https:\/\/andreaforneris.com\/web\/wp-json\/wp\/v2\/posts\/76867\/revisions\/76871"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/andreaforneris.com\/web\/wp-json\/wp\/v2\/media\/76870"}],"wp:attachment":[{"href":"https:\/\/andreaforneris.com\/web\/wp-json\/wp\/v2\/media?parent=76867"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/andreaforneris.com\/web\/wp-json\/wp\/v2\/categories?post=76867"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/andreaforneris.com\/web\/wp-json\/wp\/v2\/tags?post=76867"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}