POCUS screening Osteoporosis

 

Abstract

Summary

Due to the lack of diagnostics in primary health care, over 75 % of osteoporotic patients are not diagnosed. A new ultrasound method for primary health care is proposed. Results suggest applicability of ultrasound method for osteoporosis diagnostics at primary health care.

Introduction

We lack effective screening and diagnostics of osteoporosis at primary health care. In this study, a new ultrasound (US) method is proposed for osteoporosis diagnostics.

Methods

A total of 572 Caucasian women (age 20 to 91 years) were examined using pulse-echo US measurements in the tibia and radius. This method provides an estimate of bone mineral density (BMD), i.e. density index (DI). Areal BMD measurements at the femoral neck (BMDneck) and total hip (BMDtotal) were determined by using axial dual-energy X-ray absorptiometry (DXA) for women older than 50 years of age (n = 445, age = 68.8 ± 8.5 years). The osteoporosis thresholds for the DI were determined according to the International Society for Clinical Densitometry (ISCD). Finally, the FRAX questionnaire was completed by 425 participants.

Results

Osteoporosis was diagnosed in individuals with a T-score −2.5 or less in the total hip or femoral neck (n = 75). By using the ISCD approach for the DI, only 28.7 % of the subjects were found to require an additional DXA measurement. Our results suggest that combination of US measurement and FRAX in osteoporosis management pathways would decrease the number of DXA measurements to 16 % and the same treatment decisions would be reached at 85.4 % sensitivity and 78.5 % specificity levels.

Conclusions

The present results demonstrate a significant correlation between the ultrasound and DXA measurements at the proximal femur. The thresholds presented here with the application to current osteoporosis management pathways show promise for the technique to significantly decrease the amount of DXA referrals and increase diagnostic coverage; however, these results need to be confirmed in future .

Abstract

Background

A mere 25% of patients who need treatment for osteoporosis receive appropriate therapy, partly due to the time-consuming and stressful diagnostic workup for older patients with functional decline.

Aims

The purpose of the present study was to investigate the accuracy of pulse-echo ultrasound measurement of the lower leg for the detection of osteoporosis in older patients, and evaluate the effect of a proposed diagnostic algorithm.

Methods

Cortical thickness and the so-called density index (DI) were measured prospectively on the lower leg with a pulse-echo ultrasound (PEUS) device. The accuracy of the device was compared with dual-energy X-ray absorptiometry (DXA) of the hip. We calculated algorithms combining FRAX® scores and PEUS measures as a guide for specific treatment of osteoporosis.

Results

Three hundred and thirty-three patients aged on average 81 years (82.1% women, 275/333) were included in the study. The sensitivity of the ultrasound device versus DXA for the detection of osteoporosis was 94.4% (84/89), and the specificity was 59% (144/247). The gender-specific sensitivity was 96.2% (75/78) for women and 81.8% (9/11) for men.

Discussion

Clinical decisions for the specific treatment of osteoporosis could be based on the proposed algorithm, without additional DXA measurements, in 90.9% (303/333) of the patients.

Conclusion

Older patients with a similar risk profile as in our study population may benefit from PEUS, as it is a non-invasive, cost-effective, and efficient diagnostic tool with high accuracy in screening patients for osteoporosis and the risk of fractures

Tóm tắt

Chỉ có 25% bệnh nhân cần điều trị loãng xương được điều trị thích hợp, một phần là do quá trình chẩn đoán tốn thời gian và căng thẳng đối với bệnh nhân lớn tuổi bị suy giảm chức năng.

Mục đích

Mục đích của nghiên cứu là điều tra độ chính xác của phép đo siêu âm xung pulse echo ở cẳng chân để phát hiện loãng xương ở bệnh nhân lớn tuổi và đánh giá hiệu quả của thuật toán chẩn đoán được đề xuất.

Phương pháp

Độ dày vỏ xương và cái gọi là chỉ số mật độ (DI) khoáng xuong được đo tiên cuu  ở cẳng chân bằng pulse echo ultrasound (PEUS). Độ chính xác của thiết bị được so sánh với phép đo hấp thụ tia X năng lượng kép (DXA) của xuong hông. Chúng tôi đã tính toán các thuật toán kết hợp điểm số FRAX® và đo PEUS như một hướng dẫn để điều trị loãng xương chuyen biet.

Kết quả

Ba trăm ba mươi ba bệnh nhân có độ tuổi trung bình là 81 (82,1% là phụ nữ, 275/333) đã được đưa vào nghiên cứu. Độ nhạy của thiết bị siêu âm so với DXA để phát hiện loãng xương là 94,4% (84/89) và độ đặc hiệu là 59% (144/247). Độ nhạy theo giới tính là 96,2% (75/78) đối với phụ nữ và 81,8% (9/11) đối với nam giới.

Ban luận

Quyết định lâm sàng về phương pháp điều trị cụ thể bệnh loãng xương có thể dựa trên thuật toán được đề xuất, mà không cần đo DXA bổ sung, ở 90,9% (303/333) bệnh nhân.

Kết luận

Bệnh nhân lớn tuổi có nguy cơ tương tự như trong nhóm nghiên cứu của chúng tôi có thể được hưởng lợi từ PEUS vì đây là công cụ chẩn đoán không xâm lấn, tiết kiệm chi phí và hiệu quả với độ chính xác cao trong việc sàng lọc bệnh loãng xương và nguy cơ gãy xương ở bệnh nhân.

Abstract

Quantitative ultrasound (QUS) presents a low cost and readily available alternative to DXA measurements of bone mineral density (BMD) for osteoporotic fracture risk assessment. It is performed in a variety of skeletal sites, among which the most widely investigated and clinically used are first the calcaneus and then the radius. Nevertheless, there is still uncertainty in the incorporation of QUS in the clinical management of osteoporosis as the level of clinical validation differs substantially upon the QUS models available. In fact, results from a given QUS device can unlikely be extrapolated to another one, given the technological differences between QUS devices. The use of QUS in clinical routine to identify individuals at low or high risk of fracture could be considered primarily when central DXA is not easily available. In this later case, it is recommended that QUS bone parameters are used in combination with established clinical risk factors for fracture. Currently, stand-alone QUS is not recommended for treatment initiation decision making or follow-up. As WHO classification of osteoporosis thresholds cannot apply to QUS, thresholds specific for given QUS devices and parameters need to be determined and cross-validated widely to have a well-defined and certain use of QUS in osteoporosis clinical workflow. Despite the acknowledged current clinical limitations for QUS to be used more widely in daily routine, substantial progresses have been made and new results are promising.

Nghiên cứu này nhằm mục đích xác định rõ hơn vai trò của heel-QUS trong dự đoán gãy xương. Kết quả của chúng tôi cho thấy heel-QUS dự đoán gãy xương độc lập với FRAX, BMD và TBS. Điều này xác nhận việc sử dụng nó như một công cụ tìm kiếm ca bệnh/sàng lọc trước trong quản lý loãng xương.

Giới thiệu: Siêu âm định lượng (QUS) đặc trưng cho mô xương dựa trên tốc độ âm  (SOS) và độ suy giảm siêu âm băng thông rộng (BUA). Heel-QUS dự đoán gãy xương do loãng xương độc lập với các yếu tố nguy cơ lâm sàng (CRF) và mật độ khoáng xương (BMD). Chúng tôi đặt mục tiêu nghiên cứu xem (1) các thông số heel-QUS có dự đoán gãy xương do loãng xương lớn (MOF) độc lập với điểm xương xốp (TBS) hay không và (2) sự thay đổi của các thông số heel-QUS trong 2,5 năm có liên quan đến nguy cơ gãy xương hay không.

Phương pháp: Một nghìn ba trăm bốn mươi lăm phụ nữ sau mãn kinh từ nhóm OsteoLaus được theo dõi trong 7 năm. Heel-QUS (SOS, BUA và chỉ số độ cứng (SI)), DXA (BMD và TBS) và MOF được đánh giá sau mỗi 2,5 năm. Phân tích tương quan Pearson và hồi quy đa biến được sử dụng để xác định mối liên hệ giữa các thông số QUS và DXA và tỷ lệ gãy xương.

Kết quả: Trong thời gian theo dõi trung bình 6,7 năm, đã ghi nhận được 200 MOF. Phụ nữ bị gãy xương lớn tuổi hơn, được điều trị nhiều hơn bằng thuốc chống loãng xương; có QUS, BMD và TBS thấp hơn; nguy cơ FRAX-CRF cao hơn; và gãy xương phổ biến hơn. TBS có tương quan đáng kể với SOS (0,409) và SI (0,472). Giảm một SD trong SI, BUA hoặc SOS làm tăng nguy cơ MOF lần lượt là (OR (95% CI)) 1,43 (1,18-1,75), 1,19 (0,99-1,43) và 1,52 (1,26-1,84) sau khi điều chỉnh cho FRAX-CRF, điều trị, BMD và TBS. Chúng tôi không tìm thấy mối liên quan nào giữa sự thay đổi các thông số QUS trong 2,5 năm và MOF mới mắc.

Kết luận: Heel-QUS dự đoán gãy xương độc lập với FRAX, BMD và TBS. Do đó, QUS là công cụ sàng lọc/phát hiện ca bệnh quan trọng trong quản lý loãng xương. Sự thay đổi của QUS theo thời gian không liên quan đến gãy xương trong tương lai, khiến nó không phù hợp để theo dõi bệnh nhân.

Từ khóa: Mật độ khoáng xương; Gãy xương; Siêu âm định lượng gót chân; Loãng xương; Điểm xương xốp.

© 2023. 

AI for ULTRASOUND

 

Trí tuệ nhân tạo trong siêu âm y khoa:

Khoa X quang, Trường Y khoa Đại học Massachusetts, Worcester, MA, Hoa Kỳ

Young H. Kim, MD

Thư từ gửi đến: Young H. Kim, MD, Khoa X quang, Trường Y khoa Đại học Massachusetts, 55 Lake Avenue North, Worcester, MA 01655, Hoa Kỳ ĐT. +1-508-334-0792 Fax. +1-508-856-4910 E-mail: young.kim@umassmemorial.org

Nhận ngày 12 tháng 2 năm 2021 Sửa đổi ngày 29 tháng 4 năm 2021 Chấp nhận ngày 10 tháng 5 năm 2021 Xuất bản trực tuyến ngày 10 tháng 5 năm 2021

 

Giới thiệu

Những tiến bộ gần đây trong công nghệ học sâu đã mang lại những thay đổi mang tính cách mạng cho nghiên cứu và ứng dụng trí tuệ nhân tạo (AI) trên khắp các ngành công nghiệp, tạo ra những đổi mới lớn như nhận dạng khuôn mặt và xe tự lái. Y học cũng không ngoại lệ, và X quang, dựa trên việc giải thích dữ liệu hình ảnh thu được thông qua nhiều phương pháp khác nhau - và thường được so sánh với thị giác máy tính sử dụng phân tích mẫu - được dự đoán sẽ trải qua một cuộc cách mạng lớn. Bất chấp kỳ vọng về việc tăng cường nghiên cứu và phát triển siêu âm hỗ trợ AI, việc triển khai lâm sàng AI trong siêu âm y khoa phải đối mặt với những trở ngại riêng. Sẽ cần phải chuẩn hóa việc thu thập hình ảnh, điều chỉnh trình độ và hiệu suất của người vận hành và phiên dịch, tích hợp thông tin lâm sàng và cung cấp phản hồi về hiệu suất để tối đa hóa lợi ích cho việc chăm sóc bệnh nhân.

Những hạn chế cơ bản của dữ liệu hình ảnh siêu âm

Chụp cắt lớp vi tính và chụp cộng hưởng từ tạo ra hình ảnh có thể dự đoán và tái tạo mà không phụ thuộc nhiều vào kỹ năng của người vận hành. Tuy nhiên, chất lượng hình ảnh siêu âm phụ thuộc đáng kể vào khả năng và kinh nghiệm của người thực hiện siêu âm. Ngay cả người kiểm tra siêu âm có năng lực nhất cũng không thể tạo ra kết quả chẩn đoán chất lượng cao tùy thuộc vào thể trạng và sự hợp tác của cơ thể bệnh nhân. Hình ảnh còn phụ thuộc vào góc của đầu dò tiếp xúc với da, bóng mờ từ các cấu trúc bề mặt và độ sâu của tổn thương mục tiêu. Những hạn chế này, cùng với các biến số phổ biến như cài đặt vận hành máy siêu âm và hiện tượng nhiễu, khiến việc áp dụng AI trong khám siêu âm trở nên khó khăn. Do những tương tác phức tạp này, thông tin hình ảnh siêu âm làm dữ liệu đầu vào cho các ứng dụng AI có nhiều nhiễu âm ngẫu nhiên khác nhau từ các nguồn không xác định được.

Chuẩn hóa việc thu thập hình ảnh

Để khắc phục những hạn chế cơ bản này, cần có các giao thức chuẩn hóa để thu thập hình ảnh tĩnh và hình ảnh cine bổ sung. Hình ảnh cine thường được thu thập để bổ sung cho sự khác biệt về giải phẫu giữa các bệnh nhân và thu hẹp khoảng cách nhận thức giữa người thực hiện siêu âm và người giải thích hình ảnh. Thật không may, hình ảnh cine thường không cung cấp mô tả rõ ràng về thông tin hình ảnh mong muốn vì các điều kiện vật lý lý tưởng để thu được hình ảnh tối ưu thay đổi theo giải phẫu động. Quét cine tầm xa dẫn đến các đặc điểm không rõ ràng về mặt thị giác với lợi ích tối thiểu. Có thể tạo ra kết quả tốt nhất của quét cine khi áp dụng cho cấu trúc giải phẫu rất nhỏ hoặc cố định. Ví dụ, trong siêu âm tim và siêu âm vùng chậu sản khoa, nơi cần đo lường và phân tích hình ảnh, các clip video có thể cung cấp một bộ dữ liệu có cấu trúc có liên quan đầy đủ, cho phép phân tích không gian thời gian và tối đa hóa lợi thế của học sâu. Để đạt được mục đích này, vào tháng 2 năm 2020, một phần mềm siêu âm tim sử dụng AI có tên là Caption Guidance đã nhận được sự chấp thuận đầu tiên của Cục Quản lý Thực phẩm và Dược phẩm (FDA) cho thuật toán của mình, có thể tính toán phân suất tống máu từ các clip video ba chiều (3D) tự động chụp tốt nhất [ 1 ]. Phần mềm cho phép các bác sĩ lâm sàng dễ dàng sử dụng thông tin giải phẫu 3D để chẩn đoán bằng cách sử dụng thuật toán AI để có được hình ảnh tối ưu. Ngoài ra, thuật toán AI có khả năng ghi lại các vòng dữ liệu echo cho phép tính toán phân suất tống máu thất trái phù hợp [ 1 ]. Tương tự như vậy, đã có những tiến bộ trong nghiên cứu sản phụ khoa liên quan đến siêu âm, bao gồm phát hiện tự động độ dày nội mạc tử cung và phân loại tự động các u nang buồng trứng [ 2 ]. Khái niệm thu thập siêu âm 3D bằng clip cine có thể được áp dụng cho nhiều vùng giải phẫu phức tạp, bao gồm nhiều bệnh khớp, đánh giá thai nhi, bệnh ở trẻ sơ sinh và phân loại các khối u lành tính hoặc ác tính. Từ những ví dụ này, có vẻ như phần mềm có khả năng khắc phục những hạn chế cơ bản của việc thu thập dữ liệu siêu âm sẽ có khả năng tạo ra dữ liệu hình ảnh chuẩn hóa bằng cách thu thập dữ liệu 3D các khu vực giải phẫu tập trung cần quan tâm bằng cách hạn chế nhiễu.

Hiểu về Học sâu

Chẩn đoán hỗ trợ máy tính (CAD) đã được sử dụng trong hình ảnh y khoa,  bao gồm siêu âm, trong nhiều thập kỷ. Thông tin hình ảnh thu được bằng siêu âm cung cấp nền tảng dữ liệu đầu vào để phát triển thuật toán học máy, bằng cách trích xuất đặc điểm thủ công truyền thống hoặc trích xuất đặc điểm tự động thông qua học sâu [ 3 ]. Vì dữ liệu đầu vào là kết quả của nhiều yếu tố phức tạp nên rất khó để có một bộ dữ liệu hình ảnh siêu âm có cấu trúc, được phân loại tốt. Các biến trong quá trình thu thập hình ảnh siêu âm tạo ra một lượng lớn dữ liệu hình ảnh không chủ ý, khiến phương pháp thông thường hoặc học sâu khó tạo ra một thuật toán có thể sử dụng trong thực tế. Phương pháp trích xuất đặc điểm thủ công truyền thống phụ thuộc rất nhiều vào kiến ​​thức của chuyên gia trong lĩnh vực này, có khả năng sai lệch cao do phụ thuộc vào một chuyên gia duy nhất và khả năng lựa chọn sai lệch các hình ảnh chất lượng tốt nhất. Phương pháp thông thường cũng tốn nhiều thời gian vì chuyên gia phải chú thích hình ảnh theo cách thủ công. Công nghệ học sâu với mạng nơ-ron tích hợp được biết là có hiệu suất tốt nhất trong nhận dạng mẫu hình ảnh. Phương pháp này có thể bỏ qua quá trình chọn hình ảnh và trích xuất thông tin có liên quan từ dữ liệu hình ảnh thông qua nhiều lớp xử lý mà chức năng nhận thức của con người không thể nhận ra [ 3 ]. Không chắc chắn liệu số  lượng lớn dữ liệu đầu vào có thể đảm bảo kết quả tốt trong quá trình phân tích hình ảnh siêu âm trên máy tính hay không do những hạn chế cơ bản của phương sai cao và độ lệch cao trong quá trình thu thập hình ảnh. Dữ liệu đầu vào được quản lý tốt có các đối tượng hiển thị có ý nghĩa trong môi trường nghiên cứu có thể không áp dụng được trong các tình huống thực tế. Ngoài ra, thuật toán có thể không khái quát hóa để sử dụng trong các bối cảnh lâm sàng khác nhau và những bệnh nhân có đặc điểm nhân khẩu học khác với những đặc điểm có mặt khi bắt đầu quá trình thu thập dữ liệu.

Cơ hội cho các ứng dụng AI lâm sàng

Có nhiều nghiên cứu đáng kể trong tài liệu về các ứng dụng siêu âm AI trong các lĩnh vực như tuyến giáp, vú và tuyến tiền liệt, nằm ở  cạnh bề mặt của cơ thể và ít bị ảnh hưởng bởi các cấu trúc bên trên, khi mô tả đặc điểm khối u. Nhiều hệ thống CAD đã được phát triển để cải thiện độ chính xác chẩn đoán các nốt tuyến giáp và vú với một mức độ thành công nhất định. Tuy nhiên, mặc dù các hệ thống CAD có độ nhạy cao, cũng đã thất bại do hiệu suất chẩn đoán thay đổi và độ đặc hiệu thấp [ 4 ]. Nghiên cứu gần đây đã chứng minh hiệu suất chẩn đoán được cải thiện đối với ung thư vú bằng cách sử dụng các tính năng tạo hình Doppler màu định lượng [ 5 ]. Nghiên cứu đã được mở rộng hơn nữa để chứng minh tính khả thi của mạng nơ-rôn để chấm điểm hoạt động của bệnh viêm khớp với kết quả ấn tượng so với một chuyên gia là con người [ 6 ]. Nghiên cứu sâu hơn về bệnh cơ xương, bao gồm phân đoạn sụn, dự kiến ​​sẽ tiến triển trong tương lai [ 7 ]. Có thể thu được kết quả tốt hơn bằng cách thêm Doppler màu hoặc  siêu âm đàn hồi  vào hình thang độ xám chất lượng cao trong phân tích.

Quy định về trình độ và hiệu suất của người điều hành và phiên dịch

Mặc dù cần phải có chuyên gia để hỗ trợ độ chính xác của chẩn đoán, nhưng năng lực của người vận hành chưa được xem xét kỹ lưỡng. Đảm bảo chất lượng không nhằm mục đích cung cấp phản hồi về hiệu suất của cá nhân. Các khiếu nại về hành nghề sai sót theo giai thoại rất hiếm và không thể được sử dụng làm phản hồi để cải thiện thực sự các kỹ năng của người vận hành. Hình ảnh siêu âm là hình ảnh biểu diễn được hiệu chuẩn về nhận thức dựa trên kiến ​​thức của người vận hành, đòi hỏi phải có đường cong học tập đáng kể để sử dụng và diễn giải siêu âm. Khám siêu âm đòi hỏi trình độ đào tạo cao, có thể mất nhiều năm. Một bác sĩ X quang hoặc bác sĩ siêu âm được đào tạo bài bản có thể phân biệt giữa các cấu trúc bình thường và bất thường bằng phán đoán chủ quan. Mặc dù có thể có một số thay đổi nhỏ, nhưng kết quả hình ảnh nhìn chung là chấp nhận được. Tuy nhiên, ngay cả cách diễn giải hình ảnh siêu âm của một chuyên gia cũng có thể bị lỗi do bác sĩ siêu âm kiểm tra không đầy đủ. Nếu người vận hành bỏ sót tổn thương khi khám bệnh nhân, thì không có cách nào để con người hoặc hệ thống AI có thể phát hiện ra tổn thương dựa trên các hình ảnh được cung cấp.

Siêu âm y khoa ngày càng được sử dụng nhiều bởi các nhân viên y tế không được đào tạo về siêu âm do sự phổ biến thiết bị siêu âm cầm tay giá cả phải chăng và nhu cầu đưa ra quyết định lâm sàng khẩn cấp tại giường bệnh. Điều này dẫn đến việc các bác sĩ không được đào tạo về  siêu âm thực hiện khám siêu âm tại khoa cấp cứu hoặc khoa chăm sóc đặc biệt mà không có sự đảm bảo chất lượng hoặc hệ thống đào tạo chuẩn hóa [ 8 ]. Ở hầu hết các nước phát triển, có cơ quan quản lý quy định các yêu cầu đào tạo và cấp phép cho các kỹ thuật viên siêu âm và bác sĩ radiology. Mặc dù có hệ thống quản lý về yêu cầu giáo dục liên tục và đánh giá chất lượng để cấp lại chứng chỉ tại Hoa Kỳ, nhưng hệ thống này không nhằm mục đích đánh giá hiệu suất của cá nhân. Một hệ thống lý tưởng sẽ có các hướng dẫn thực hành để thiết lập phạm vi của các cá nhân thực hiện hoặc giải thích các cuộc khám siêu âm.

Tích hợp thông tin lâm sàng

Siêu âm học sâu đã được nghiên cứu để nhận dạng mẫu và phân loại dựa trên độ sinh echo của gan để chẩn đoán bệnh gan nhiễm mỡ [ 9 ]. Sau đó, phân loại xơ gan bằng kỹ thuật học sâu với siêu âm đàn hồi sóng cắt đã được phát triển [ 10 , 11 ]. Mặc dù các nghiên cứu này cung cấp những hiểu biết quan trọng, nhưng cần phải tiến hành khám thêm  ở những bệnh nhân mắc nhiều nguyên nhân, vì có thể dự kiến ​​những thay đổi hình thái khác nhau theo thời gian liên quan đến các nguyên nhân khác nhau.

Một thuật toán CAD, dựa trên phân tích đặc điểm hình thái, đã được phát triển để chẩn đoán phân biệt các tổn thương buồng trứng. AI có khả năng lớn trong việc tích hợp thông tin lâm sàng như tiền sử gia đình, thông tin di truyền, tình trạng kinh nguyệt và điều trị nội tiết tố với phân tích hình ảnh, có thể cải thiện khả năng chẩn đoán để phân biệt các tổn thương buồng trứng lành tính và ác tính và có thể bổ sung thông tin dự đoán để quản lý. Thông tin lâm sàng nên được tích hợp vào các công cụ phân tích dữ liệu hình ảnh để cải thiện hiệu suất và tối đa hóa tính hữu ích lâm sàng.

Phản hồi của tổ chức và cá nhân

Học viện X quang Hoa Kỳ đã phát triển thuật toán Hệ thống dữ liệu và báo cáo hình ảnh siêu âm gan (US LI-RADS) để chuẩn hóa việc giải thích bằng cách sử dụng hai thành phần: điểm phát hiện và điểm trực quan [ 12 ]. Son và cộng sự [ 13 ] đã đánh giá thuật toán US LI-RADS và báo cáo rằng 86% ung thư biểu mô tế bào gan bị bỏ sót ở những bệnh nhân có chỉ số khối cơ thể cao và thâm nhiễm mỡ vừa phải/nặng. Mặc dù AI có thể cung cấp thêm thông tin chi tiết bằng cách tích hợp thông tin nhân khẩu học về tỷ lệ mắc ung thư biểu mô tế bào gan, nhưng vẫn chưa chắc chắn hiệu suất của từng người vận hành và người giải thích ảnh hưởng như thế nào đến việc phát hiện khối u. AI có khả năng cung cấp phản hồi về hiệu suất của cả tổ chức và cá nhân. AI hiện tại có tiềm năng mới là cung cấp phản hồi về hiệu suất cho người vận hành với thông tin lâm sàng và nhân khẩu học tích hợp. Cuối cùng, siêu âm AI sẽ không chỉ hỗ trợ người vận hành mới vào nghề mà còn giúp cải thiện hiệu suất dựa trên kết quả thông qua phản hồi liên tục với việc cải tiến hệ thống.

Hướng phát triển trong tương lai

Việc ứng dụng AI trong siêu âm có thể sẽ có tác động lớn nhất trong các lĩnh vực mà không có sự khác biệt đáng kể giữa người mới bắt đầu và chuyên gia trong quá trình thu thập hình ảnh ban đầu. Quá trình thu thập hình ảnh càng phức tạp thì việc áp dụng các công cụ AI càng khó. Nghiên cứu sâu hơn có thể sẽ tập trung vào một cơ quan dễ tiếp cận với việc áp dụng siêu âm đàn hồi, siêu âm Doppler màu và siêu âm Doppler tăng cường độ tương phản [ 14 ]. Việc thu thập giải phẫu 3D có khả năng mở rộng hiệu quả của các ứng dụng AI. Những tiến bộ gần đây đã được thực hiện trong nghiên cứu và ứng dụng lâm sàng của siêu âm tại chỗ với mục đích giải quyết các nhiệm vụ đơn lẻ trong các lĩnh vực cụ thể, bao gồm phát hiện cổ trướng, tràn dịch màng phổi, tràn dịch màng ngoài tim, tràn khí màng phổi và gần đây hơn là chẩn đoán phức tạp về bệnh viêm phổi do vi-rút corona 2019 [ 15 , 16 ]. Hy vọng rằng việc bổ sung các công cụ hỗ trợ AI mới nhất có thể giúp các bác sĩ lâm sàng không được đào tạo về X quang trong một số tình huống lâm sàng nhất định. Trong một bài báo gần đây, siêu âm ngực POCUS đã chứng minh độ nhạy là 75%, độ đặc hiệu là 100%, giá trị dự báo dương tính là 100% và giá trị dự báo âm tính là 94,9% để chẩn đoán tràn khí màng phổi, mặc dù có nhiều tình huống làm giảm hiệu suất của siêu âm như tràn khí dưới da [ 15 ]. Một thuật toán chẩn đoán siêu âm hỗ trợ AI cho tràn khí màng phổi đã được nghiên cứu và chứng minh là có hiệu quả lâm sàng ở một số ít bệnh nhân [ 17 ].

Các khía cạnh quản lý của AI trong siêu âm

Công nghệ AI tiếp tục phát triển với những tiến bộ nghiên cứu sau khi được FDA chấp thuận. Trước đây, các ứng dụng AI được FDA chấp thuận có các mô hình bị khóa, đây là rào cản đối với quá trình tiến hóa thích ứng của các thuật toán AI. Để khắc phục vấn đề về quy định này, vào tháng 1 năm 2021, FDA đã công bố một kế hoạch hành động bao gồm Kế hoạch kiểm soát thay đổi được xác định trước, cho phép sửa đổi trong tương lai đối với các thiết bị gốc của họ trong phạm vi được xác định trước về "những gì cần thay đổi" và "cách học" trong khi vẫn đảm bảo an toàn [ 18 ].

Phần kết luận

Siêu âm có AI hỗ trợ có tiềm năng thúc đẩy hơn nữa việc sử dụng siêu âm y khoa trong nhiều bối cảnh lâm sàng khác nhau với việc sử dụng rộng rãi của nhân viên y tế. Việc ứng dụng AI trong siêu âm có thể hỗ trợ bác sĩ trong việc chẩn đoán và phân loại bệnh nhân. Việc chuẩn hóa các cuộc khám siêu âm và trình độ của người vận hành và phiên dịch nên được thảo luận trong các chuyên khoa y khoa, ban lãnh đạo tổ chức và các cơ quan quản lý [ 8 ]. Những cuộc thảo luận này rất cần thiết trong kỷ nguyên AI đang đến gần. Trước khi sử dụng bất kỳ công cụ AI nào, mỗi tổ chức nên tiến hành quy trình nội bộ để xác minh xem công cụ đó có phù hợp với bệnh nhân và bác sĩ của mình hay không, vì thiếu các nghiên cứu triển vọng không ngẫu nhiên dựa trên bằng chứng để xác nhận hiệu quả của các công cụ AI [ 19 ]. Nếu không, việc sử dụng siêu âm ngày càng tăng cùng với các công cụ hỗ trợ AI có thể dẫn đến lãng phí tài nguyên, hành nghề sai sót do chẩn đoán sai và cuối cùng là gánh nặng lớn cho các tổ chức y tế và bệnh nhân của họ.