Zadanie 5.

Zadanie 5:

Opracowanie systemu rozpoznawania przyczyn zapalenia płuc z zastosowaniem technologii sztucznej inteligencji. System zintegruje dane tomografii komputerowej, pozyskane dane molekularne PCR, serologiczne oraz sekwencję genetyczną wirusa dla optymalizacji procesów rozpoznawania

ZEWNĘTRZNY SYSTEM KONSULTACYJNY - INFORMACJE WSTĘPNE

Samodzielny Publiczny Wojewódzki Szpital Zespolony w Szczecinie mając na uwadze stałe podnoszenie jakości swoich usług i opieki medycznej z zastosowaniem innowacyjnych technologii przystąpił do realizacji projektu Narodowego Centrum Badań i Rozwoju „Wsparcie szpitali jednoimiennych w walce z rozprzestrzenianiem się zakażenia wirusem SARS-CoV-2 oraz w leczeniu COVID-19”, którego celem było opracowanie nowoczesnych technologii laboratoryjnych, informatycznych i bioinformatycznych dedykowanych diagnostyce i prewencji zakażeń SARS CoV-2.

Pandemia SARS CoV-2 zmieniła sposób prowadzenia opieki medycznej z jednej strony ograniczając dostęp do wielu usług medycznych, ale z drugiej strony stymulując rozwój nowych technologii diagnostycznych i terapeutycznych. Poszukiwanie nowych narzędzi do oceny stanu klinicznego chorych stanowi jedno z kluczowych wyzwań podczas walki z pandemią.

W ramach projektu stworzono algorytm sztucznej inteligencji pozwalający na segmentowanie zmian w płucach, specyficznych dla zakażenia SARS CoV-2 oraz określenia obecności zmian charakterystycznych dla COVID-19 i procentu zajęcia tkanki płucnej. Opracowana została platforma on-line, umożliwiająca wykorzystanie danych do wspomagania skutecznego leczenia pacjentów. Platforma prezentuje w formie graficznej wyniki analiz segmentacji płuc w badaniach tomograficznych klatki piersiowej, w tym procent zajętości płatów płuc.

Efektem praktycznym jakie daje przedmiotowe rozwiązanie jest poprawa szybkości i jakości diagnostyki radiologicznej, szczególnie w kontekście implementacji w szpitalnych oddziałach ratunkowych czy innych miejscach diagnostyki, gdzie szybkość decyzji jest kluczowa. Efektem jest również prewencja zakażeń SARS CoV-2 poprzez przyspieszenie kompleksowej diagnostyki.

Samodzielny Publiczny Wojewódzki Szpital Zespolony w Szczecinie
ul. Arkońska 4,
71-455 Szczecin

ZEWNĘTRZNY SYSTEM KONSULATACYJNY

WCHODZĘ

Instrukcja:

W celu skorzystania z Zewnętrznego Systemu Konsultacyjnego należy dokonać rejestracji przez stronę Panel Analiz AI, następnie dokonać rejestracji za pośrednictwem poczty elektronicznej.
Z chwilą ukończenia procesu rejestracji na podany adres e-mail zostanie wysłany link mający na celu uwierzytelnienie użytkownika. Po jego potwierdzeniu użytkownik otrzyma w odpowiedzi zwrotnej kod autoryzujący, a w dalszej kolejności wynik dokonanej analizy.
Przed przekazaniem danych obrazowych do Zewnętrznego Systemu Konsultacyjnego należy je zanonimizować. Obowiązek ten spoczywa na osobie/instytucji udostępniającej dane obrazowe.
Do analizy mogą być przekazywane badania obrazowe w formacie DICOM o modalności CT. Analiza przebiega najlepiej na seriach o grubości około 1 mm. Zaleca się aby ładować takie właśnie serie. Brak jest ograniczeń wielkości oraz ilości przekazywanych zdjęć.

Zadaniem badawczo rozwojowym było opracowanie systemu rozpoznawania przyczyn zapalenia płuc z zastosowaniem technologii sztucznej inteligencji integrującego dane tomografii komputerowej, pozyskane dane molekularne PCR, serologiczne oraz sekwencję genetyczną wirusa dla optymalizacji procesów rozpoznawania zakażenia. Stworzono algorytm sztucznej inteligencji pozwalający na segmentowanie zmian w płucach, specyficznych dla zakażenia SARS CoV-2 oraz określenia obecności zmian charakterystycznych dla COVID-19 i procentu zajęcia tkanki płucnej. Opracowana została platforma on-line, umożliwiająca wykorzystanie danych do wspomagania skutecznego leczenia pacjentów. Platforma prezentuje w formie graficznej wyniki analiz segmentacji płuc w badaniach tomograficznych klatki piersiowej, w tym procent zajętości płatów płuc. Efektem praktycznym jakie daje przedmiotowe rozwiązanie jest poprawa szybkości i jakości diagnostyki radiologicznej, szczególnie w kontekście implementacji w szpitalnych oddziałach ratunkowych czy innych miejscach diagnostyki, gdzie szybkość decyzji jest kluczowa. Efektem jest również prewencja zakażeń SARS CoV-2 poprzez przyspieszenie kompleksowej diagnostyki. https://ai-radicov.spwsz.szczecin.pl/panel-analiz/wizard. Na elementy projektu składa się system gromadzący dane, panel Lekarza (System prezentacji), System konsultacyjny, panel prezentacji on-line oraz narzędzie analizujące dane radiologiczne za pomocą algorytmów sztucznej inteligencji (Covid-AI). W pierwszej fazie fizyczne maszyny zostały podłączone do systemów informatycznych Szpitala, tak aby stał się możliwy dostęp do danych pacjentów. Maszyny zostały podłączone do wewnętrznego serwera PACS, do systemu HIS oraz do systemu laboratoryjnego Szpitala. Badania tomograficzne były przeglądane przez radiologów, którzy klasyfikowali je do jednej z grup:

badania bez zmian – zdrowe płuca,
badania ze zmianami typu mleczna szyba,
badania ze zmianami typu konsolidacja,
badania ze zmianami typu guz.

Równocześnie dla każdego badania, które zostało zaklasyfikowane jako badanie ze zmianami, radiolodzy robili segmentacje. Przy użyciu narzędzi wbudowanych w przeglądarkę Exhibeon3, na kolejnych warstwach badania były oznaczane zmiany chorobowe, przy jednoczesnym odpowiednim oznaczaniu tych zmian. Pozyskane w ten sposób dane posłużyły za podstawę do budowania i nauki sieci sztucznej inteligencji (deep learning neural networks). Sieci neuronowe pracujące na potrzeby projektu rozwiązywały następujące zagadnienia: sieć pracująca na danych obrazowych, która potrafi wysegmentować płuca oraz podzielić je na płaty; sieć pracująca na danych obrazowych, która na obrazach płuc potrafi wysegmentować zmiany chorobowe specyficzne dla Covid-19, a także zmiany guzkowate; sieć pracująca na danych obrazowych, która służy do rozróżniania pomiędzy badaniami Covid/nie_Covid.

W trakcie trwania projektu był prowadzony proces uczenia sieci metodą HITL (Human in the Loop).W sytuacjach gdy sieć AI była niedokładna lub analiza była nieprawidłowa, radiolog poprawiał wyniki uzyskane z sieci i na tych poprawionych danych była przeprowadzana kolejna iteracja nauki metodą HITL.Druga faza projektu to przygotowanie paneli lekarskich służących do analizy i prezentacji pozyskiwanych z systemu szpitalnego danych. Został opracowany zestaw danych, do importu, prezentacji i analiz. (wiek,płeć, czas hospitalizacji, pomiary laboratoryjne: CRP, prokalcytonina, interleukina 6, LDH, oraz powiązanie z zadaniem 1 i 2 projektu - przeciwciała SARS-CoV2 – IgG oraz IgM, wariant wirusa i jego mutacje, oraz podawane w trakcie hospitalizacji leki, ze szczególnym uwzględnieniem tych podawanych przy zakażeniu wirusowym (sterydy, Ceftriakson, Remdesivir, Tocilizumab. Opracowany został także sposób prezentacji danych. Rozwiązanie przewiduje zastosowanie paneli lekarskich jako widoków dla zbiorów widgetów, które to widgety zbierają i wyświetlają dane z dostępnych źródeł. Użytkownik wyszukuje spośród dostępnych pacjentów interesujące zbiory, a następnie może ten zbiór znalezionych pacjentów wyświetlać i analizować w kontekście przygotowanego panelu lekarskiego. Technologię wdrożono w Samodzielnym Wojewódzkim Szpitalu Zespolonym początkowo w Oddziałach Zakaźnych a następnie we wszystkich oddziałach zajmujących się COVID-19 (styczeń 2022). Dodatkowo, w ramach projektu za pomocą AI oceniono 7348 badań KT od osób z COVID-19, co pozwoliło na oszacowanie ryzyka zgonu metodą proporcjonalnego hazardu Coxa w zależności od zajęcia tkanki płucnej (rycina 4). Jest to unikalny efekt, odróżniający stworzone narzędzie od innych narzędzi dostępnych na rynku -brak jest AI które pozwoliły powiązać procent zajęcia tkanki płucnej z ryzkiem zgonu.

Rycina : Ryzyko zgonu (HR – hazard risk) zgodnie z analizą proporcjonalnego hazardu Coxa dla zajęcia tkanki płucnej. Czynnik porównawczy (HR=1) to pacjenci bez zajęcia lub z niewielkim zajęciem tkanki płucnej (<10%).