Tổng số lượt xem trang

Thứ Ba, 24 tháng 12, 2019

Tìm hiểu ứng dụng “Trí tuệ nhân tạo” trong y tế



Tóm lược những lợi ích của công nghệ AI trong y tế “The Application of Medical Artificial Intelligence Technology in Rural Areas of Developing Countries”, Jonathan Guo và Bin Li  , Health Equity, vol 2.1, 2018:

AI trong ra quyết định lâm sàng:

Với sự phát triển nhanh chóng của công nghệ, lượng thông tin mới từ các công trình nghiên cứu ngày càng nhiều và nhanh hơn. Hiện nay, lượng thông tin y khoa đã tăng gấp đôi cứ sau mỗi 3 năm. Người ta ước tính rằng nếu một bác sĩ muốn cập nhật toàn bộ thông tin y khoa thì phải đọc 29 giờ mỗi ngày. Ngoài ra, nguồn dữ liệu lớn (big data), bao gồm các dữ liệu từ hồ sơ sức khoẻ điện tử (EHR), các dữ liệu “omic” - dữ liệu về di truyền học (genomics), dữ liệu về chuyển hóa (metabolomics) và dữ liệu về protein (proteomics), và dữ liệu về xã hội học và lối sống là những nguồn dữ liệu sẽ không có ích nếu không được phân tích toàn diện. Giải pháp duy nhất để có thể tiếp cận và sử dụng khối lượng thông tin khổng lồ trong lĩnh vực y tế đó là sử dụng công nghệ trí tuệ nhân tạo (Artificial Intelligence – AI). IBM Watson là một trong những hệ thống hàng đầu hỗ trợ chăm sóc sức khỏe bằng AI, giúp các bác sĩ đưa ra quyết định hiệu quả. Với khả năng máy học (machine learning) và khả năng xử lý ngôn ngữ tự nhiên, hệ thống này giúp các bác sĩ xem xét hồ sơ sức khoẻ điện tử của bệnh nhân và cập nhật thông tin hướng dẫn điều trị từ các công trình nghiên cứu y khoa. Một nghiên cứu mù đôi đã so sánh các quyết định của hội đồng các chuyên gia ung thư với quyết định của trí tuệ nhân tạo từ hệ thống ung thư Watson. Kết quả cho thấy 90% các khuyến nghị mà hệ thống đưa ra là phù hợp với các khuyến nghị của hội đồng các chuyên gia, nhưng hệ thống chỉ mất 40 giây để hoàn tất quy trình.

AI trong hồ sơ sức khoẻ điện tử:

Năm 2009, Bộ Y tế Hoa Kỳ bắt đầu khuyến khích áp dụng EHRs. Tuy nhiên, quá trình thực hiện đã gặp nhiều thách thức, các rào cản chính bao gồm sự hài lòng thấp của nhân viên y tế với hệ thống EHR, nhất là các vấn đề về khả năng tương tác và độ trễ trong thực hành hồ sơ sức khoẻ điện tử, nhất là tại các cơ sở chăm sóc ban đầu. Hiện nay, EHR đã trở thành một trong những công việc tiêu tốn nhiều thời gian nhất của nhân viên y tế tại  các cơ sở chăm sóc sức khỏe. Công nghệ AI hứa hẹn có thể giúp các nhà cung cấp dịch vụ chăm sóc sức khỏe thu thập, lưu trữ, định dạng lại và theo dõi dữ liệu lâm sàng, cũng như các kế hoạch và đánh giá cá nhân hóa.

AI trong chẩn đoán:

Lỗi chẩn đoán là một mối đe dọa nghiêm trọng đối với chất lượng và an toàn trong chăm sóc sức khỏe. Tại Mỹ, ước tính tỷ lệ lỗi chẩn đoán ngoại trú là 5,08% tương đương 12 triệu người mỗi năm. Khoảng một nửa trong số các lỗi này là có khả năng gây hại. Công nghệ AI đã được sử dụng để cải thiện chất lượng chẩn đoán, đặc biệt là trong X quang. AI dựa trên nguồn dữ liệu 129.450 hình ảnh lâm sàng để chẩn đoán bệnh ngoài da, kết quả đã chứng minh rằng hệ thống này có thể phân loại ung thư da ở mức tương đương với các bác sĩ da liễu. Một thuật toán dựa trên hình ảnh cộng hưởng từ của chuyển động tim cho phép dự đoán chính xác kết quả bệnh nhân bị tăng áp phổi; một phương pháp phân loại nhịp tự động trong phân tích điện tâm đồ liên tục (ECGs) ở những bệnh nhân mắc bệnh nghiêm trọng. Một nghiên cứu khác đã xem xét các kết quả đầy hứa hẹn sử dụng AI trong hình ảnh đột quỵ và cho rằng công nghệ AI có thể đóng một vai trò quan trọng trong việc quản lý bệnh nhân đột quỵ.

AI trong robots y học:

Các ứng dụng của công nghệ AI y tế cũng bao gồm các robot và thiết bị y tế hỗ trợ. Ví dụ, robot điện thoại có thể tạo điều kiện giao tiếp giữa bệnh nhân với các chuyên gia y tế; thiết bị đi bộ hỗ trợ có thể giúp điều phối đi, đứng hoặc ngồi; và robot giống như động vật có thể giao tiếp và xác định bệnh nhân. Robot cũng có thể được sử dụng trong phẫu thuật với tư cách là trợ lý bác sĩ phẫu thuật, hệ thống phẫu thuật da Vinci là một trong những hệ thống phẫu thuật robot được sử dụng phổ biến nhất.

AI trong y học cá thể:

Y học cá thể (Personized medicine) là một mô hình chăm sóc sức khỏe mới, trong đó việc điều trị và phòng ngừa bệnh dựa trên các điều kiện cá nhân, bao gồm thông tin di truyền, đặc điểm tâm lý xã hội, môi trường và lối sống. Tất cả thông tin này sẽ tạo ra một lượng dữ liệu khổng lồ, chỉ có thể được phân tích và tích hợp bởi công nghệ AI.

AI trong quản lý khám, chữa bệnh:

Việc đưa công nghệ AI vào các hệ thống quản lý chăm sóc sức khỏe có thể giúp xác định các chẩn đoán và điều trị không cần thiết. Do đó, công nghệ AI y tế không chỉ tập trung vào các tương tác cổ điển giữa bệnh nhân với nhà cung cấp dịch vụ chăm sóc sức khỏe mà còn có thể được sử dụng trong quản lý hệ thống y tế cho các tổ chức quy mô lớn. Các hệ thống có thể theo dõi chi tiêu y tế, phục hồi chi phí và đáp ứng với điều trị, do đó làm tăng sức khỏe dân số và chất lượng chăm sóc trong khi giảm chi phí.

Công nghệ AI trong y tế có tiềm năng làm cải thiện khả năng tiếp cận chăm sóc sức khỏe và chất lượng chăm sóc sức khỏe, theo các tác giả hoàn toàn có thể triển khai tại các nước đang phát triển. Để thực hiện mục tiêu này, các tác giả đề xuất phát triển một mạng lưới dịch vụ AI y tế đa cấp tại các nước đang phát triển, bao gồm: hệ thống ứng dụng AI trong y tế tuyến đầu (cấp độ đầu tiên), hệ thống ứng dụng AI trong y tế tuyến khu vực (cấp độ trung bình) và trung tâm phát triển AI trong y tế cấp quốc gia (cấp độ cao nhất)
Nguồn = SỞ Y TẾ TP.HCM

Chủ Nhật, 15 tháng 12, 2019

CHỈ SỐ TRỞ KHÁNG THẬN, R R I





SIÊU ÂM ACUTE ABDOMEN




FAST EXAM

The FAST exam is a specific ultrasound examination used by medical professionals to look for hemorrhage or abnormal fluid in the pericardium, pleural cavity, and peritoneal cavity after traumatic injury. The eFAST (extended FAST) exam is basically the regular FAST with additional views to examine the lungs. It’s a bedside ultrasound, which means the imaging equipment can be brought to where the patient is. 

 

Peritoneum landmarks in Human Anatomy Atlas 2020

When a FAST/eFAST exam is being conducted, there are typically a few key views that focus on a number of important structures, such as particular organs and regions of the peritoneum. 
The Right Upper Quadrant (RUQ) view “uses the liver as an ultrasound window” to look for fluid in the hepatorenal space (Morison’s pouch). The right subphrenic space, which lies between the liver and diaphragm, is another place fluid can accumulate. In addition, moving the ultrasound probe towards the head (cephalad) provides a view of the right pleural space and caudal movement provides a view of the right paracolic gutter. 
peritoneum-landmarks-right-upper-quadrant-fRight Upper Quadrant peritoneum landmarks (female model). Image from Human Anatomy Atlas.
The Left Upper Quadrant (LUQ) view uses the spleen to look at the left subphrenic space (the space between the spleen and the diaphragm) and the splenorenal recess (the space between the spleen and left kidney). The left pleural space and left paracolic gutter can also be examined via movement of the probe.
peritoneum-landmarks-left-upper-quadrant-f
Left Upper Quadrant peritoneum landmarks (female model). Image from Human Anatomy Atlas.
The Pelvic view is used to examine the rectovesical recess or rectouterine recess. The rectovesical recess is the space between the rectum and the bladder in the male pelvis, while the rectouterine recess is the space between the rectum and the posterior uterine wall in the female pelvis.
peritoneum-landmarks-pelvis-rectouterine-fperitoneum-landmarks-pelvis-rectovesical-m
Rectouterine recess (f) and rectovesical recess (m). Images from Human Anatomy Atlas.  

Siêu âm sau tán sỏi thận



Thứ Năm, 12 tháng 12, 2019

O-RADS



O-RADS™” is an acronym for an Ovarian-Adnexal Imaging-Reporting-Data System which will function as a quality assurance tool for the standardized description of ovarian/adnexal pathology. The creation of a standardized lexicon permits the development of a practical, uniform vocabulary for describing the imaging characteristics of ovarian masses that can be used to determine malignancy risk, with the ultimate goal of applying it to a risk stratification classification for consistent follow up and management in clinical practice.
The use of internationally agreed upon standardized descriptors should result in consistent interpretations and decrease or eliminate ambiguity in reports resulting in a higher probability of a correct diagnosis. In the case of the adnexal mass, the correct interpretation leading to the correct diagnosis is the key to accuracy in determining risk of malignancy and, finally, optimal patient management.
In the Summer of 2015, under the supervision of the American college of Radiology, the Ovarian-Adnexal Reporting and Data System(O-RADS) Committee was formed with the purpose of creating a standardized lexicon for describing the imaging characteristics of ovarian and adnexal masses and applying it to a risk stratification and management system for evaluation of malignancy. This is an ongoing collaborative effort of an international group of experts in gynecological imaging and management of ovarian/adnexal masses that includes a broad spectrum of experts in radiology, gynecology, pathology, and gynecologic oncology from the US, Canada, Europe, and the United Kingdom.
Since ultrasound is widely considered the primary imaging modality in the evaluation of adnexal masses and MRI the problem-solving tool, parallel working groups (US and MRI) were formed to develop separate but consistent groups of terms specific to each modality. The principal goals of O-RADS are to improve the quality and communication between interpreting and referring physicians, to limit variability in reporting language and ultimately to guide patient management based on actionable information in the imaging report. The committee is sponsored by the American College of Radiology with eventual lexicon trademark by the aforesaid organization.






Training and Educational Resources