Nota sulla trasparenza per Approfondimenti sulla radiologia

2025-05-20

Che cos'è la nota sulla trasparenza?

Un sistema di intelligenza artificiale include la tecnologia e le persone che lo usano sono influenzate da essa, così come l'ambiente in cui viene implementato. La creazione di un sistema adatto allo scopo previsto richiede una comprensione del funzionamento della tecnologia, delle funzionalità e delle limitazioni e del modo in cui ottenere le migliori prestazioni. Le note sulla trasparenza di Microsoft sono pensate per aiutare a comprendere il funzionamento della nostra tecnologia di intelligenza artificiale. Includono le scelte che i proprietari del sistema possono fare che influenzano le prestazioni e il comportamento del sistema, e l'importanza di pensare all'intero sistema, tra cui la tecnologia, le persone e l'ambiente. È possibile usare le note sulla trasparenza durante lo sviluppo o la distribuzione del proprio sistema oppure condividerle con le persone che useranno o saranno interessate dal sistema. Le note sulla trasparenza di Microsoft fanno parte di uno sforzo più ampio per mettere in pratica i principi di intelligenza artificiale di Microsoft. Per altre informazioni, vedere i principi di intelligenza artificiale Microsoft.

Le nozioni di base di Radiologia Insights

Introduzione

Le informazioni dettagliate sulla radiologia (RI) sono un modello che mira a fornire controlli di qualità come feedback sugli errori e sulle incoerenze (mancate corrispondenze) e consente di identificare e comunicare risultati critici usando il contesto completo del report. I consigli di completamento e i risultati clinici con le misurazioni (ridimensionate) documentati dal radiologo sono identificabili.

Radiology Insights è un modello di software di intelligenza artificiale integrato, fornito nel servizio di intelligenza artificiale Azure di Project Health Insights.
Radiology Insights non fornisce riferimenti esterni. Come modello di Health Insights, Approfondimenti di Radiologia fornisce inferenze sull'input fornito, da utilizzare come riferimento per comprendere a fondo le conclusioni del modello.

La funzionalità Informazioni dettagliate sull'radiologia di Azure Health Insights usa tecniche di elaborazione del linguaggio naturale per elaborare documenti di radiologia medica non strutturati. Aggiunge diversi tipi di inferenze che consentono all'utente di monitorare, comprendere e migliorare efficacemente i risultati finanziari e clinici in un contesto del flusso di lavoro di radiologia. I tipi di inferenze attualmente supportati dal sistema sono: AgeMismatch, SexMismatch, LateralityDiscrepancy, CompleteOrderDiscrepancy, LimitedOrderDiscrepancy, Finding, CriticalResult, FollowupRecommendation, DiagnosticyProcedure, Communication.

Queste inferenze possono essere usate sia per supportare l'analisi clinica che per fornire assistenza in tempo reale durante il processo di creazione del documento.

RI consente di analizzare e suddividere i dati del flusso di lavoro della radiologia e crea approfondimenti rilevanti, portando a informazioni attuabili.
La RI consente l'analisi del passato e migliora il futuro generando informazioni significative che rivelano punti di forza e individuano le aree che richiedono intervento.
L'istanza riservata consente la creazione di controlli di qualità e avvisi automatici in linea per la mancata corrispondenza e i possibili risultati critici.
RI migliora la coerenza delle raccomandazioni di follow-up con supporti di guida automatizzati guidati dall'intelligenza artificiale e controlli di qualità che promuovono decisioni cliniche basate su prove.

Le informazioni dettagliate sulla radiologia possono ricevere testo non strutturato in inglese come parte dell'offerta corrente e usa Analisi del testo per l'integrità (TA4H) per il riconoscimento di entità denominate (NER), l'estrazione delle relazioni tra entità identificate, asserzioni di superficie, ad esempio negazione e condizionalità, e per collegare entità rilevate a vocabolari comuni.

Termini chiave

Termine	Definizione
Documento	L'input del modello ri è un documento clinico di radiologia, che accanto alle informazioni narrative contiene anche metadati contenenti informazioni sui pazienti e specifiche dell'ordine delle procedure.
Modalità	La modalità si riferisce al tipo specifico di tecnica di imaging o tecnologia usata per acquisire immagini mediche del corpo. Ogni modalità utilizza diversi principi fisici (ad esempio raggi X, onde sonore o campi magnetici) per generare immagini che aiutano a diagnosticare e trattare.
Inferenza	L'output del modello RI è un elenco di inferenze o annotazioni aggiunte al documento elaborato.
AgeMismatch	L'annotazione viene attivata quando si verifica una discrepanza tra le informazioni sull'età nei metadati e nel testo narrativo.
SexMismatch	Annotazione attivata quando si verifica una discrepanza tra le informazioni sessuali nei metadati e il testo narrativo (include riferimenti ai pazienti, risultati specifici del sesso e parti del corpo specifiche del sesso).
Discrepanza di Lateralità	L'annotazione viene attivata quando si verifica una discrepanza tra le informazioni di lateralità nei metadati e nel testo narrativo o tra i risultati e la sezione delle impressioni nel testo del rapporto.
DiscrepanzaOrdineCompletato	Annotazione attivata quando il testo del report non contiene tutte le parti del corpo pertinenti in base alle informazioni contenute nei metadati ordinati da uno studio completo.
Discrepanza negli ordini limitati	L'annotazione si attiva quando si deve selezionare una limitata selezione delle parti del corpo, in base all'ordine della procedura presente nei metadati, ma il testo del report include tutte le parti del corpo pertinenti.
Ricerca	Annotazione che identifica ed evidenzia un insieme di informazioni cliniche relative a un concetto, clinicamente rilevante, trovato nel testo del report.
Risultato Critico	Annotazione che identifica ed evidenzia i risultati nel testo del report che devono essere comunicati entro un determinato limite di tempo in base alla conformità alle normative.
Raccomandazione di Follow-up	Annotazione che identifica ed evidenzia una o più raccomandazioni nel testo del report e fornisce una normalizzazione di ogni raccomandazione a un set di campi dati strutturati.
Procedura di Radiologia	Normalizzazione delle informazioni sull'ordine delle procedure presenti nei metadati usando i codici Loinc/Radlex.
Comunicazione	Annotazione che identifica ed evidenzia quando indicato nel testo del report che i risultati sono trasmessi con rigore o in modo meno rigoroso al destinatario.
Linee guida cliniche	Le linee guida cliniche possono essere considerate un albero delle decisioni, fornendo un approccio strutturato di linee guida basate sulle prove (Linee guida ACR^{1^{e Linee guida della Società Fleischner²) per aiutare i fornitori di assistenza sanitaria a prendere le decisioni più appropriate per l'imaging o il trattamento delle condizioni cliniche. Il modello visualizza le informazioni chiave della documentazione per alimentare l'albero delle decisioni, ad esempio per proporre una o più raccomandazioni candidate.}}
Misure di qualità	Il modello valuta se le prestazioni della misurazione della qualità sono state soddisfatte o meno durante l'esecuzione di una procedura medica. Le prestazioni della misurazione della qualità sono spiegate dalle prove presenti nel documento e/o dall'assenza di prove nel documento.
Punteggio e valutazione dei rischi	I sistemi di valutazione e assegnazione dei rischi vengono usati nella diagnostica e nell'imaging medico per standardizzare la valutazione e la segnalazione dei risultati clinici. Il modello presenta i rischi chiave di punteggio e valutazione con i valori che il radiologo determina in una nota o in un rapporto di radiologia.

Capacità

Comportamento del sistema

Radiology Insight aggiunge diversi tipi di inferenze e annotazioni al documento clinico radiologico originale. Un documento può attivare una o più annotazioni. Sono possibili diverse istanze della stessa annotazione in un documento.

AgeMismatch
SexMismatch
Discrepanza di Lateralità
DiscrepanzaOrdineCompletato
Discrepanza negli ordini limitati
Ricerca
Risultato Critico
Raccomandazione di Follow-up
Procedura di Radiologia
Comunicazione
Linee guida cliniche
Assegnazione dei punteggi e valutazione
Misure di qualità

Esempio di un documento di radiologia clinica con inferenze:

Descrizione funzionale delle inferenze nell'ambito e negli esempi

Discrepanza d'età

Le mancate corrispondenze di età vengono identificate in base al confronto delle informazioni sull'età dei pazienti disponibili all'interno dei metadati demografici del paziente e del testo del report. Le informazioni sull'età in conflitto vengono contrassegnate nel testo.

Screenshot di un documento di radiologia con una mancata corrispondenza dell'età.

Sesso non corrispondente

L'identificazione delle discrepanze sessuali si basa su un confronto tra le informazioni sul sesso dei pazienti presenti nei metadati demografici del paziente e i riferimenti ai pazienti, i risultati specifici per sesso e le parti del corpo specifiche per sesso nel testo. Le informazioni discordanti sul sesso sono contrassegnate nel testo.

Discrepanza laterale

Una lateralità, definita come "Left" (Lt, lft) e "Right" (rt, rght), insieme a un'anatomia (parti del corpo) nell'Ordine della Procedura dei metadati, sono usati per creare mancate corrispondenze di lateralità nel report. Nessuna discrepanza nei contenuti passati. Se nella descrizione della procedura è disponibile solo la lateralità e non l'anatomia, viene contrassegnata ogni lateralità opposta nel testo. Ad esempio: "left views" in Procedure Description (Descrizione procedura) elenca tutte le parole "right" nel testo del report.

CompleteOrder Discrepanza

Le mancate corrispondenze di completezza possono verificarsi se la procedura ordinata è un'ecografia per l'addome, il retroperitoneale, la pelvi o il seno con ultrasuoni. Una mancata corrispondenza di completezza si verifica se l'ordine è completo e il testo non lo è, o viceversa.

Discrepanza limitedOrder

ricerca di

Una ricerca è un insieme basato sulla NLU di informazioni cliniche relative a un concetto clinicamente rilevante, trovato nelle cartelle cliniche. Viene creato in modo che sia indipendente dall'applicazione. Un'inferenza di un reperto è costituito da campi diversi, contenenti pezzi da assemblare per fornire una panoramica completa del reperto.
Un rilievo può essere costituito dai campi seguenti: Indicatore clinico, Indicazioni di lateralità anatomica su dimensione, Acuità, Gravità, Causa, Stato, Multiplo – verifica, Caratteristiche della regione, Tempistica

Risultato critico

Identifica ed evidenzia i potenziali risultati critici dettati in un report. Identifica ed evidenzia i potenziali risultati di ACR Actionable dettati in un report. Identifica solo il risultato critico nel testo del report (non nei metadati) I termini sono basati sulla coalizione di massa per la prevenzione degli errori medici: http://www.macoalition.org/Initiatives/docs/CTRstarterSet.xls.

RaccomandazioneSuccessiva

Questa inferenza espone una potenziale visita che deve essere pianificata. Ogni raccomandazione contiene una modalità e una parte del corpo. Inoltre, contiene un'ora, una lateralità, uno o più risultati e un'indicazione che è presente una frase condizionale (vero o falso).

Esempio di Cfr Sex Mismatch

RadiologiaProcedura

Radiology Insights estrae informazioni quali modalità, parte del corpo, lateralità, visualizzazione e contrasto dall'ordine della procedura. Le procedure ordinate vengono normalizzate utilizzando i codici LOINC con la Guida alla Radiologia LOINC/RSNA sviluppata e gestita dal Comitato LOINC/RadLex: http://playbook.radlex.org/playbook/SearchRadlexAction.

Comunicazione

Il Riconoscimento delle Informazioni cattura il linguaggio nel testo, tipicamente un verbo che indica comunicazione in combinazione con un nome proprio (tipico Nome e Cognome) o un riferimento a un medico o un infermiere. Possono essere presenti diversi destinatari di questo tipo. La comunicazione con il personale non medico (segretario, clerks e così via) non viene contrassegnata come comunicazione, a meno che non venga menzionato il nome corretto di questa persona. La lingua identificata come comunicazione passata (ad esempio nelle sezioni della cronologia) o la comunicazione futura (ad esempio "verrà comunicato") non viene contrassegnata come comunicazione.

Esempio di Cfr SexMismatch

Linee guida cliniche

Le linee guida cliniche possono essere considerate come un albero delle decisioni, fornendo un approccio strutturato delle linee guida basate sulle prove (ACR Guidelines^1-4 e Fleis apple Society Guidelines⁵) per aiutare i radiosti a prendere le decisioni più appropriate per le azioni future, ad esempio la selezione di uno studio di imaging specifico e la sua tempistica.

Il modello estrae informazioni sulla ricerca clinica dalla documentazione per recuperare le informazioni chiave necessarie per alimentare l'albero delle decisioni. Il completamento dei nodi della struttura ad albero può comportare una proposta di una o più raccomandazioni candidate. Più istanze di ricerca clinica possono attivare la stessa guida clinica. In questi casi, i risultati clinici sono classificati da alto a basso in base alla quantità di informazioni chiave necessarie presenti.

Il modello propone raccomandazioni candidate derivate dalla logica dell'albero delle linee guida per le linee guida identificate dalla ricerca nel report. Queste raccomandazioni sono standardizzate in termini di modalità, anatomia, lateralità e intervallo di tempo. Se i nodi dell'albero trovati portano a più procedure, il modello fornirà raccomandazioni candidate separate per ogni procedura (ad esempio, raccomandazioni per CT, PET CT o campionamento dei tessuti). Il modello fornirà anche informazioni mancanti relative alla ricerca clinica nel caso in cui nessuna raccomandazione candidata possa essere proposta dal modello. Se il radiologo sceglie di documentare questi dettagli mancanti, verranno fornite raccomandazioni aggiuntive dal modello.

Oltre alle raccomandazioni sui candidati, le linee guida cliniche dell'ACR possono anche suggerire un punteggio o una fase che indica la gravità o la progressione di determinate condizioni cliniche. Ad esempio, a ognuna delle informazioni chiave necessarie delle linee guida del Sistema di Reportistica e Dati dell'Imaging Tiroideo (TI-RADS)⁵ viene assegnata un punteggio, e il punteggio totale determina la categoria. In base alla categoria, è possibile suggerire raccomandazioni per i candidati.

Nella sezione dei risultati dell'esempio seguente:

"Un nodulo di 8 mm nel lobo superiore destro, immagine n. 15 serie 4. Nuovo nodulo lobo superiore destro posteriore che misura 6 mm, immagine #28 serie 4. Nuovo nodulo polmonare da 1,2 cm, lobo superiore destro, immagine #33 serie 4".

Il modello Insight di Radiologia estrae dai valori guida presenti in queste informazioni nel documento e presenta raccomandazioni candidate in base alle linee guida cliniche per il Nodulo Polmonare (Linee Guida della Società Fleischner⁵). In questo caso, il modello suggerirà raccomandazioni diverse per la stessa struttura polmonare usando modalità diverse: Tomografia computerizzata assiale, Tomografia a emissione di positroni e Biopsia guidata da imaging.

Inoltre, i documenti di esempio nella sezione stampa:

"In precedenza identificati piccoli noduli polmonari nel lobo superiore destro si sono risolti, ma più piccoli noduli piccoli sono sparsi in entrambi i polmoni".

L'osservazione nel lobo superiore destro verrà anche visualizzata dal modello come valori guida attuali. Tuttavia, il modello visualizzerà anche i valori delle linee guida mancanti e non documentati nel report. Se questi valori sono documentati, il modello potrebbe proporre altre raccomandazioni candidate in base alle linee guida cliniche per noduli polmonari. Ciò consente al radiologo di proporre una raccomandazione candidata e/o migliorare la documentazione per includere raccomandazioni aggiuntive come parte delle opzioni.

Dai risultati nella sezione dei risultati (blu), il modello propone due candidati consigliati: Tomografia a Emissione di Positroni e Biopsia Guidata da Imaging, entrambi relativi al polmone. I valori guida visualizzati per questa ricerca sono per il lobo, il lobo superiore destro e per la dimensione, 12 mm. Dalla ricerca nella sezione Impression viene restituito il valore della guida per lobe, ma la dimensione è mancante e quindi restituita come valore di indicazioni mancante. Nessun candidato è proposto per raccomandazioni.

Tabella ACR Linee guida cliniche supportate dal modello

Linee guida cliniche	Codice
Massa Annessiale	SNAF: 445039006: MASSA DEGLI ADNEXI UTERINI (RISCONTRO)
NODULO ADRENALE	SNAF: 237783006: MASSA DELLA PROSTATA (RICERCA)
TRAUMA EPATICO	SNAF: 39400004: LESIONE DEL FEGATO (CONDIZIONE)
LESIONE EPATICA	SNAF: 300331000: LESIONE DEL FEGATO (RICERCA)
STADIAZIONE DEL CANCRO AL POLMONE	SNAF: 258319005: FASI DI COINVOLGIMENTO POLMONARE (STAGING TUMORALE)
GRADAZIONE DELLE LESIONI PANCREATICHE	SNAF: 61823004: LESIONI DEL PANCREAS (DISTURBO)
LESIONE RENALE	SNAF: 79131000119100: LESIONI RENALI (RICERCA)
VALUTAZIONE DELLE LESIONI SPLENICHE	SNAF: 23589004: LESIONE DELLA MILZA (DISTURBO)
CLASSIFICAZIONE DELLE LESIONI RENALI	SNAF: 40095003: LESIONE AL RENE (PATOLOGIA)
NODULO ALLA TIROIDE	SNAF: 237495005: NODULO TIROIDEO (DISTURBO)
ANEURISMA AORTICO ADDOMINALE	SNAF: 233985008: ANEURISMA DELL'AORTA ADDOMINALE (PATOLOGIA)
POSIZIONE DELLA GRAVIDANZA	SNAF: 858901000000108: GRAVIDANZA DI SEDE SCONOSCIUTA (DISTURBO)
GRAVIDANZA VIABILITÀ INIZIALE	SNAF: 289208006: RICERCA DELLA REDDITIVITÀ DELLA GRAVIDANZA (RICERCA)
STADIAMENTO DEL CANCRO DEL RETTO	SNAF: 254310002: TUMORE-NODE-METASTASIS (TNM) COLON E RETTO STAGING (STAGING DEL TUMORE)
GRAVIDANZA FOLLOW-UP	SNAF: 364327007: REDDITIVITÀ DELLA GRAVIDANZA (ENTITÀ OSSERVABILE)
CISTI ADNEXAL	SNAF: 97171000119100: CISTI DELL'ADNEXA UTERO (DISTURBO)
CISTI PANCREATICA	SNAF: 31258000: CISTI DEL PANCREAS (DISTURBO)
Emorragia della matrice germinale	SNAF: 276650005: EMORRAGIA SUBEPENDIMALE PERINATALE (DISTURBO)
GALLBLADDER E TRATTO BILIARIO	SNAF: 300346007: LESIONE DELLA CISTI GALLO (RICERCA)
PITUITARIO	SNAF: 399244003: DISTURBO DELLA GHIANDOLA PITUITARIA (DISTURBO)
O-RADS	SNAF: 289840004: LESIONE DELL'OVARIO (RICERCA)
NODULO POLMONARE	RADLEX: RID50149: NODULO POLMONARE
TI-RADS	RADLEX: RID50503: TI-RADS VALUTAZIONE
LUNG-RADS	RADLEX: RID50134: LUNG-RADS VALUTAZIONE

Misure di qualità

Le misure di qualità svolgono un ruolo fondamentale nell'avanzamento della qualità del settore sanitario fornendo framework per misurazioni di qualità, report sulla qualità e miglioramento continuo. Le misure di qualità⁷ supportate dal modello sono elencate nelle tabelle seguenti. Registro dei dati clinici qualificati MIPS | American College of Radioy.

Il modello acquisisce i criteri di misura qualità documentati nel report e determina se la documentazione è completa controllando se sono inclusi tutti i criteri necessari per soddisfare gli standard di qualità.

Nel caso in cui la documentazione sia conforme ai criteri di misura di qualità richiesti, le prestazioni della misura di qualità vengono "soddisfatte". Nei casi in cui la documentazione non è conforme ai criteri, le prestazioni non sono soddisfatte. Il modello contrassegnerà una misura di qualità come "eccezione" nel caso in cui la documentazione contenga risultati che non richiedono che le prestazioni della misura di qualità siano soddisfatte (ad esempio, un paziente è allergico a Chlorhexidine, un criterio per soddisfare le misure di qualità per l'inserimento CVC).

Nell'esempio seguente, è necessario inserire un CVC o un catheter venoso centrale in un paziente. È fondamentale nelle impostazioni cliniche per evitare gravi complicazioni come le infezioni sanguigne. Pertanto, la procedura deve rispettare gli standard di inserimento CVC, l'igiene corretta delle mani utilizzando tecniche convenzionali e pratiche massime barriere sterili come l'uso di guanti sterili, un cappuccio, una maschera, una camicia sterile e un drappo a pieno corpo sterile. Inoltre, la procedura richiede una corretta preparazione della pelle utilizzando Clohexidine e l'applicazione di tecniche ultrasuoni sterili, tra cui l'uso di ultrasuoni, gel sterili e una copertura di sonda sterile. Tuttavia, in questo esempio, le prestazioni non vengono "soddisfatte" a causa di informazioni mancanti relative all'uso di una copertura di sonda sterile, che è un componente fondamentale della tecnica ultrasuoni sterile. Di conseguenza, la documentazione non è conforme al parametro di qualità per la prevenzione delle infezioni da CVC.

Nel caso di criteri mancanti, la documentazione potrebbe essere aggiornata anche per coprire i criteri mancanti documentati ma eseguiti o una retrospezione potrebbe essere organizzata per comprendere perché questi criteri importanti non sono stati inclusi nella procedura eseguita.

Misure di qualità: il modello segnala che per la Misura di Qualità INSERIMENTO CVC, la documentazione non è conforme ai criteri di qualità e classifica il livello di conformità come "prestazioni non soddisfatte" nella risposta del modello. Mancano informazioni in merito all'uso di una copertura sterile per sonda.

Misure di qualità nella tabella – implementate da MIPS

MIPS Nr	MIPS
76	Prevenzione del catetere velenoso centrale - infezioni correlate al flusso sanguigno.
145	Indici di dose di esposizione o tempo di esposizione e numero di immagini riportati per le procedure che usano la fluoroscopia.
147	Correlazione con studi di imaging esistenti per tutti i pazienti sottoposti a scintigrafia ossea.
360	Ottimizzazione dell'esposizione dei pazienti alle radiazioni ionizzanti: conteggio dei potenziali studi di radiazioni ad alta dose: tomografia calcolata (CT) e studi di medicina nucleare cardiaca.
364	Appropriatezza: imaging TC di follow-up per noduli polmonari rilevati incidentalmente secondo le linee guida raccomandate.
405	Imaging di follow-up appropriato per lesioni addominali accidentali.
406	L'immagine di follow-up appropriata per i noduli di tiroide accidentali nei pazienti.
436	Utilizzo delle tecniche di riduzione della dose.

ACRad No	ACRad
36	Calcificazione dell'arteria coronarica incidentale riportata su TC toracica
37	Interpretazione della tomografia computerizzata con angiografia polmonare (CTPA) per l'embolia polmonare
38	Uso di esami cranici a bassa dose con TC o RMI per pazienti con shunt ventricolari
40	L'uso di report strutturati nella risonanza magnetica della prostata
41	Uso di criteri quantitativi per l'imaging PET FDG oncologico
42	Imaging di sorveglianza per noduli epatici <10 mm in pazienti a rischio di carcinoma epatocellulare (HCC)

MSDN QCDR Numero	MSN QCDR
MEDNAX55	Uso di ASPECTS (Alberta Stroke Program Early CT Score) per il test CT non contrast eseguito per sospetto ictus acuto
MSN13	Screening del calcolo del punteggio del calcio coronarico per la valutazione del rischio cardiovascolare, incluso il punteggio della distribuzione regionale della calcificazione dell'arteria coronarica
MSN15	Uso del sistema di segnalazione e di dati per la imaging della tiroide (TI-RADS) nel report finale per stratificare il rischio di noduli alla tiroide
QMM26	Screening dell'aneurysm aortico di screening con raccomandazioni
QMM17	Raccomandazioni di follow-up appropriate per Lesioni adnexali ovarici usando il Ovarian-Adnexal Reporting and Data System (O-RADS)
QMM18	Uso del punteggio di rischio del cancro al seno sulla mammografia
QMM19	DEXA/DXA e Valutazione del rischio di frattura per i pazienti con Osteopenia

Assegnazione dei punteggi e valutazione

I sistemi di valutazione e valutazione dei rischi vengono usati nella diagnostica e nell'imaging medico per standardizzare la valutazione e la segnalazione dei risultati. Questi sistemi forniscono un approccio strutturato per interpretare gli studi di imaging, valutare il rischio di malattia e guidare la gestione clinica. I sistemi di punteggio e valutazione dei rischi⁸ implementati sono elencati nella tabella seguente.

Il modello espone ed evidenzia i rischi, i punteggi e le valutazioni con classificazioni o valori che il radiologo determina in una nota o un report di radiologia.

Nell'esempio seguente il modello identifica due inferenze: il rischio ASCVD (malattia cardiovascolare Atherosclerotic) con valore 17,6% e il punteggio Agatston (misura usata per quantificare la quantità di calcio nelle arterie della corona) con valore zero. Il punteggio di rischio ASCVD (Atherosclerotic Cardiovascular Disease) di 10 anni è una stima della probabilità che una persona sperimenti un evento cardiovascolare (come un attacco cardiaco o un ictus) entro i prossimi 10 anni. Questo punteggio viene calcolato (non dal modello) in base a vari fattori di rischio, tra cui età, livelli di colesterolo, pressione sanguigna, stato di fumo, diabete e altri. In questo caso, un punteggio di rischio di 17,6% significa che, in base ai fattori di rischio della persona, c'è una probabilità di 17,6% di sperimentare un evento cardiovascolare nei prossimi 10 anni.

Figura Punteggio e valutazione dei rischi: il modello identifica due istanze di punteggio e valutazione (blu), una della categoria Rischio ASCVD con valore 17,6% e una della categoria Score con valore 0.

Categorie di rischio o valutazione tabella implementate

Categoria rischio o valutazione	Valore/classificazione	Unità
BIRADS	0, 1, 2, 3, 4, 4a, 4b, 4c, 5, 6
Risultati colonici C-RADS	C0, C1, C2, C3, C4
Risultati extracolonici C-RADS	E0, E1, E2, E3, E4
CAD-RADS	0, 1, 2, 3, 4, 4a, 4b, 5, N
LI-RADS	NC, 1, 2, 3, 4, 5, M, TIV
Punteggio di visualizzazione US LI-RADS	A, B, C
Lung-RADS	0, 1, 2, 3, 4a, 4b, 4x, S, C
NI-RADS	0, 1, 2, 2a, 2b, 3, 4
O-RADS	0, 1, 2, 3, 4, 5
PI-RADS	0, 1, 2, 3, 4, 5
TI-RADS	0, 1, 2, 3, 4, 5
Kellgren-Lawrence scala di gradazione	0, 1, 2, 3, 4
Classificazione Tonnis	1, 2, 3, 4
Punteggio di calcio coronarico	Valore numerico (in genere compreso tra 1 e 1000)
ASPECTS (Punteggio CT precoce del Programma per l'Ictus dell'Alberta)	0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10
Z-Score	da -4 a 4
T-Score	da -4 a 4
Rischio di cancro alla vita al seno	Valore numerico tra 0 e 100	%
Rischio ASCVD	Valore numerico tra 0 e 100	%
Rischio del modello Gail modificato	Valore numerico tra 0 e 100	%
Rischio del modello Tirer Cusick	Valore numerico tra 0 e 100	%
Rischio CHD a 10 anni	Valore numerico tra 0 e 100	%
Indice di Rischio di Malignità (RMI)	Numerico
Rischio di mutazione HNPCC	Valore numerico tra 0 e 100	%

Casi d'uso

Le organizzazioni sanitarie e i team di radiologia devono avere visibilità sulle tendenze e i risultati specifici delle operazioni e delle prestazioni della radiologia, con attenzione costante alla qualità. Il modello Di Radiologia Insights estrae informazioni preziose dai documenti di radiologia per un radiologo.

L'ambito di ciascuno di questi casi d'uso è sempre il documento corrente che il radiologo sta dettando. Non sono presenti analisi delle immagini né informazioni sui pazienti coinvolte. I metadati forniscono il contesto amministrativo per il report corrente ed è limitato all'età del paziente, al sesso del paziente e alla procedura ordinata. (ad esempio: CT dell'addome, MRI del cervello,...)

Microsoft fornisce questa funzionalità come API con il modello che consente di identificare o estrarre le informazioni nell'ambito. Il cliente incorpora il modello nel proprio software di creazione di report di radiologia o di terze parti e determinerà l'interfaccia utente per le informazioni. I clienti possono essere un ISV o un sistema sanitario che sviluppa o modifica il software di segnalazione di radiologia per l'uso all'interno del sistema sanitario.

Pertanto, i casi d'uso specifici da parte dei clienti e il modo in cui le informazioni verrebbero presentate o usate da un radiologo possono variare leggermente da quella descritta, ma le descrizioni illustrano lo scopo previsto della funzionalità API.

Caso d'uso 1 - Identificazione delle mancate corrispondenze: un radiologo viene fornito con possibili mancate corrispondenze identificate dal modello tra ciò che il radiologo ha documentato nel rapporto di radiologia e le informazioni presenti nei metadati del report. Le discrepanze possono essere identificate per sesso, età e lateralità del sito del corpo. Le mancate corrispondenze identificano potenziali discrepanze tra il testo determinato e i metadati forniti. Identificano anche potenziali incoerenze all'interno del testo dettato/scritto. Le incoerenze sono limitate al sesso, all'età, alla lateralità e al tipo di imaging. Questo è solo per consentire al radiologo di rettificare eventuali incoerenze potenziali durante la segnalazione. Il sistema non è a conoscenza dell'immagine su cui il radiologo sta refertando. In nessun modo questo modello fornisce un giudizio clinico dell'interpretazione dell'immagine del radiologo. Il radiologo è responsabile della diagnosi e del trattamento del paziente e della relativa documentazione corretta.

Caso d'uso 2 - Fornire risultati clinici: il modello estrae come dati strutturati due tipi di risultati clinici: risultati critici e risultati interattivi. Solo i risultati clinici documentati in modo esplicito nel rapporto dal radiologo vengono estratti dal modello. I risultati clinici prodotti dal modello non vengono dedotti da parti di informazioni nel report né dall'immagine. Questi servono semplicemente come un potenziale promemoria per il radiologo di comunicare con il provider. Il modello produce due categorie di risultati clinici, Risultato Attuabile e Risultato Critico, ed è basato sul risultato clinico, dichiarato in modo esplicito nel report, e sui criteri formulati dall'ACR (American College of Radiology). Il modello estrae sempre tutti i risultati documentati in modo esplicito dal radiologo. I risultati estratti possono essere utilizzati per avvisare un radiologo di possibili risultati clinici che devono essere chiaramente comunicati e agire in modo tempestivo da un professionista sanitario. I clienti possono anche utilizzare i risultati estratti per popolare sistemi downstream o correlati, ad esempio le cartelle cliniche elettroniche (CCE) o le funzioni di pianificazione automatica.

Caso d'uso 3 - Comunicazione di raccomandazioni di follow-up: un radiologo scopre i risultati per i quali in alcuni casi è consigliato un follow-up. La raccomandazione documentata viene estratta e normalizzata dal modello per la comunicazione con un professionista sanitario (medico). Le raccomandazioni di completamento non vengono generate, dedotte o proposte. Il modello si limita a estrarre le raccomandazioni di follow-up documentate in modo esplicito dal radiologo. Le raccomandazioni di completamento vengono normalizzate codificando in SNOMED.

Caso d'uso 4 - Segnalazione delle misurazioni: un radiologo documenta i risultati clinici con le misurazioni. Il modello estrae informazioni clinicamente rilevanti relative alla ricerca. Il modello estrae le misurazioni indicate in modo esplicito dal radiologo nel report. Il modello sta cercando misurazioni già prese ed esaminate dal radiologo. Estraendo queste misurazioni dal record testuale pertinente e organizzandole. I dati di misurazione estratti e strutturati possono essere usati per visualizzare le tendenze nelle misurazioni per un determinato paziente nel tempo. Un cliente potrebbe cercare un set di pazienti in base ai dati di misurazione estratti dal modello.

Caso d'uso 5 - Report sulle metriche chiave relative alla produttività e alla qualità: il modello Radiology Insights ha estratto informazioni (estratte nei casi d'uso da 1 a 5) che possono essere utilizzate per generare report e supportare l'analisi per un team di radiologi. In base alle informazioni estratte, i dashboard e le analisi retrospettive possono fornire aggiornamenti sulle metriche di produttività e qualità chiave per guidare le attività di miglioramento, ridurre al minimo gli errori e migliorare la qualità e la coerenza dei report. Il modello RI non crea dashboard, ma fornisce informazioni estratte, non dedotte, che un utente potrebbe aggregare per scopi di ricerca e amministrativi. Il modello è senza stato.

Caso d'uso 6 – Misure di qualità: conformità ai criteri di rimborso nei programmi sanitari Scenario: un'organizzazione sanitaria deve garantire la conformità ai programmi di rimborso in continua evoluzione, ad esempio il MiPS (Merit-based Incentive Payment System) stabilito in base all'atto MACRA. L'organizzazione deve soddisfare criteri di prestazioni specifici per qualificarsi per gli incentivi di rimborso o evitare sanzioni. Soluzione: l'organizzazione aggrega i criteri di misura della qualità appropriati dai dati clinici e amministrativi. Automatizzando il rilevamento e la segnalazione di questi criteri, il sistema supporta la conformità ai requisiti di rimborso, riducendo lo sforzo manuale e garantendo una segnalazione accurata a Medicare. Il modello di istanze riservate non crea dashboard, ma fornisce informazioni estratte, non dedotte, che un cliente potrebbe aggregare. Il modello è senza stato.

Caso d'uso 7 - Valutazione e assegnazione dei punteggi: Gestione della salute della popolazione attraverso approfondimenti radiologici Scenario: un provider di assistenza sanitaria cerca di migliorare la gestione della salute della popolazione identificando individui o gruppi di pazienti che necessitano di più screening o servizi preventivi. L'organizzazione vuole estrarre informazioni preziose dai report di radiologia per migliorare i risultati dei pazienti. Soluzione: i punteggi e i valori vengono quindi aggregati per identificare le tendenze, stabilire le linee di base e contrassegnare singoli o gruppi che potrebbero trarre vantaggio da ulteriori screening o cure preventive. Il sistema aiuta i medici a gestire in modo proattivo le popolazioni dei pazienti, migliorando l'assistenza preventiva riducendo al contempo la probabilità di complicazioni future.

Caso d'uso 8 - Linee guida cliniche per il radiologo Scenario: i diagnostici devono spesso fare riferimento a linee guida cliniche specifiche durante la documentazione dei risultati nei loro rapporti. Tuttavia, le informazioni mancanti o incomplete possono ritardare l'accesso a queste linee guida e alle relative raccomandazioni, potenzialmente influiscono sull'accuratezza dei report. Soluzione: Le informazioni dettagliate sulla radiologia evidenziano automaticamente i risultati documentati nel report di radiologia che sono rilevanti per le linee guida cliniche applicabili e le raccomandazioni dei candidati. Se mancano informazioni chiave, che potrebbero influire sul risultato della raccomandazione di una linea guida clinica, il sistema contrassegna queste lacune. Questo approccio proattivo garantisce che i radiosti abbiano accesso immediato alle informazioni sulle linee guida necessarie, migliorando l'accuratezza e la completezza dei loro rapporti.

Considerazioni sulla scelta di altri casi d'uso

Le informazioni dettagliate sulla radiologia sono uno strumento prezioso per estrarre informazioni da testo medico non strutturato e supportare il flusso di lavoro della documentazione dell'radiologia. Tuttavia, data la natura sensibile dei dati correlati all'integrità, è importante considerare attentamente i casi d'uso. In tutti i casi, un essere umano deve prendere decisioni assistita dalle informazioni restituite dal sistema e, in tutti i casi, è necessario avere un modo per esaminare i dati di origine e correggere gli errori. Ecco alcune considerazioni per la scelta di un caso d'uso:

Evitare scenari che usano questo servizio come dispositivo medico, per fornire supporto clinico o come strumento diagnostico da usare nella diagnosi, cura, mitigazione, trattamento o prevenzione della malattia o altre condizioni senza intervento umano. Un professionista medico qualificato deve sempre fare due diligence e verificare i dati di origine che potrebbero influenzare le decisioni relative alle cure dei pazienti e prendere decisioni.
Evitare scenari correlati alla concessione o alla negazione automatica dei servizi medici o dell'assicurazione sanitaria senza intervento umano. Poiché le decisioni che influiscono sui livelli di copertura sono influenzate, i dati di origine devono essere sempre verificati in questi scenari.
Evitare scenari che usano informazioni sanitarie personali per uno scopo non consentito dal consenso del paziente o dalla legge applicabile. Le informazioni sanitarie hanno protezioni speciali relative alla privacy e al consenso. Assicurarsi che tutti i dati usati dispongano del consenso dei pazienti per il modo in cui si usano i dati nel sistema o che siano altrimenti conformi alla legge applicabile in relazione all'uso delle informazioni sanitarie.
Valutare attentamente l'uso di inferenze rilevate per aggiornare i record dei pazienti senza intervento umano. Assicurarsi che sia sempre disponibile un modo per segnalare, tracciare e correggere eventuali errori per evitare la propagazione di dati non corretti ad altri sistemi. Assicurarsi che tutti gli aggiornamenti ai record dei pazienti vengano esaminati e approvati da professionisti qualificati.
Valutare attentamente l'uso delle inferenze rilevate nella fatturazione dei pazienti senza intervento umano. Assicurarsi che i provider e i pazienti abbiano sempre un modo per segnalare, tracciare e correggere i dati che generano una fatturazione errata.

Limitazioni

Le caratteristiche specifiche del documento di radiologia di input sono cruciali per ottenere output utilizzabili e accurati dal modello RI. Alcuni degli elementi che svolgono un ruolo importante in questo sono:

Lingue: attualmente le funzionalità riservate sono abilitate solo per il testo in inglese.
Parole sconosciute: i documenti di radiologia a volte contengono abbreviazioni/parole sconosciute o errori di ortografia o di contesto.
Metadati di input: RI si aspetta che per determinati tipi di inferenze le informazioni di input siano disponibili nel documento o nei metadati del documento.
Modelli e formattazione: RI è sviluppato utilizzando un insieme rappresentativo di documenti reali, ma è possibile che casi d'uso specifici e/o modelli di documento possano presentare sfide per l'accuratezza della logica RI. Ad esempio, le tabelle annidate o le strutture complesse possono causare l'analisi non ottimale.
Vocabolario e descrizioni: RI viene sviluppato e testato su documenti reali. Tuttavia, il linguaggio naturale è ricco e la descrizione di alcuni fatti clinici può variare nel tempo, potenzialmente influenzando l'output della logica.

Prestazioni del sistema

Le prestazioni del sistema vengono valutate calcolando le statistiche basate su casi di veri positivi, veri negativi, falsi positivi e falsi negativi. A tale scopo, un insieme rappresentativo di documenti deve essere compilato, alla fine annotato con i risultati previsti. L'output di RI può essere confrontato con l'output desiderato per determinare i numeri di precisione.

Le motivazioni principali per cui Radiology Insights attiva l'output falso positivo / falso negativo sono:

Documento di input non contenente tutte le informazioni meta necessarie
Formato e formattazione del documento di input (intestazioni di sezione, punteggiatura, ...)
Testo non inglese (parziale)
Parole sconosciute (abbreviazioni, errori di ortografia, ...)
Problemi relativi all'analisi della formattazione complessa (tabelle annidate, ...)

Valutazione delle informazioni dettagliate sulla radiologia

Metodi di valutazione

La logica dei dati analitici della radiologia viene sviluppata e valutata usando un ampio set di documenti clinici di radiologia reale. Un set di addestramento di oltre 5000 documenti annotati da esperti umani, che viene usato per implementare e perfezionare la logica che attiva le inferenze di RI. Parte di questo set viene campionata in modo casuale da un corpus fornito da un centro medico statunitense e incentrato principalmente sui pazienti adulti.

Il set usato fornisce una rappresentazione quasi uguale dei pazienti maschi e femminili basati su stati Uniti e una rappresentazione adeguata di ogni fascia d'età. Si noti che non viene eseguita alcuna ulteriore analisi della rappresentatività dei dati di training (ad esempio, rappresentazione geografica, demografica o ethnografica) perché i dati non includono quel tipo di metadati. Il set di addestramento e altri set di valutazione utilizzati vengono costruiti assicurandosi che tutti i tipi di inferenze siano presenti per diverse caratteristiche dei pazienti (età, sesso). L'accuratezza o la regressione della logica viene testata usando test unitari e funzionali che coprono l'intero ambito della logica. La generalizzazione dei modelli RI viene valutata mediante l'uso di set di documenti omessi che condividono le stesse caratteristiche del set di addestramento.

I livelli minimi di prestazioni mirati per ogni inferenza nella popolazione completa vengono valutati, monitorati e esaminati con esperti di materia. Tutti i componenti NLP e NLU di base sottostanti vengono controllati separatamente ed esaminati usando set di test specifici.

Valutazione dei risultati

Le metriche di valutazione usate sono precisione, richiamo e punteggio f1 quando sono presenti annotazioni manuali sulla verità d'oro degli esperti umani. I test di regressione sono eseguiti tramite l'analisi della discrepanza e i cicli di feedback degli esperti umani.

La valutazione sui set non visti e sui set di addestramento di documenti di radiologia dimostra che Radiology Insights ottiene prestazioni elevate e costanti nei set di dati annotati per tutte le annotazioni di Radiology Insights.

I set di training, in totale oltre 15.000 documenti, includono annotazioni complete. Sono stati curati da esperti medici per tutte le aree, come risultati, esiti critici, comunicazioni, discrepanze, raccomandazioni, punteggi e valutazioni, e indicazioni cliniche. Questi set forniscono una solida base per le funzionalità del modello coprendo diversi casi d'uso.

I set non visualizzati, totalizzando più di 6.000 documenti, fungono da test rigoroso per la generalizzabilità, confermando che il modello esegue anche sui dati che non ha rilevato durante il training.

In sintesi, mentre la valutazione dimostra prestazioni solide e coerenti in set visti e non visti, la convalida e l'esplorazione in corso di più scenari, inclusi i casi perimetrali e le condizioni non verificate, rimangono cruciali ed è in corso per garantire una copertura completa e una qualità sostenuta nelle applicazioni reali.

Valutazione e integrazione degli insights radiologici per il tuo utilizzo

Quando sei pronto per implementare Radiology Insights, le seguenti attività ti aiuteranno a prepararti al successo:

Comprendere cosa può fare: valutare completamente le capacità del RI per capire le sue funzionalità e limitazioni. Comprendere le prestazioni nello scenario e nel contesto.
Testare con dati reali e diversificati: comprendere le prestazioni dell'istanza riservata nello scenario testandolo accuratamente usando condizioni e dati reali che riflettono la diversità nei contesti di utenti, geografia e distribuzione. È improbabile che i set di dati di piccole dimensioni, i dati sintetici e i test che non riflettono lo scenario end-to-end rappresentino sufficientemente le prestazioni di produzione.
Rispettare il diritto di un individuo alla privacy: raccogliere o usare solo i dati e le informazioni degli utenti per scopi legittimi e giustificabili. Usare solo i dati e le informazioni che si hanno il consenso per l'uso o sono legalmente autorizzati a usare.
Revisione legale: ottenere una revisione legale appropriata della soluzione, in particolare se viene usata in applicazioni sensibili o ad alto rischio. Comprendere quali restrizioni potrebbero essere necessarie con cui lavorare e i rischi che devono essere mitigati prima dell'utilizzo. È tua responsabilità mitigare tali rischi e risolvere eventuali problemi che potrebbero verificarsi.
Verifica del sistema: se si prevede di integrare e usare in modo responsabile un prodotto o una funzionalità basata sull'intelligenza artificiale in un sistema esistente per i processi software o clienti o aziendali, dedicare tempo per comprendere il modo in cui ogni parte del sistema è interessata. Valutare il modo in cui la soluzione di intelligenza artificiale è allineata ai principi di intelligenza artificiale responsabile Microsoft.
Umano nel ciclo: mantenere un essere umano nel ciclo e includere la supervisione umana come area di modello coerente da esplorare. Ciò significa una costante supervisione umana del prodotto o della funzionalità basata sull'intelligenza artificiale e garantire agli esseri umani qualsiasi decisione basata sull'output del modello.This means constant human supervision of the AI-powered product or feature and ensuring humans making any decisions that are based on the model's output. Per evitare danni e gestire le prestazioni del modello di intelligenza artificiale, assicurarsi che gli esseri umani abbiano un modo per intervenire nella soluzione in tempo reale.
Sicurezza: assicurarsi che la soluzione sia sicura e che disponga di controlli adeguati per mantenere l'integrità del contenuto e impedire l'accesso non autorizzato.
Ciclo di feedback dei clienti: fornire un canale di feedback che gli utenti e gli individui possano usare per segnalare problemi con il servizio dopo la distribuzione. Dopo aver distribuito un prodotto o una funzionalità basata su intelligenza artificiale, richiede un monitoraggio e un miglioramento continui. Avere un piano e essere pronti per implementare commenti e suggerimenti per il miglioramento.

Riferimenti

Collegio Americano di Radiologia. "Criteri di appropriatezza ACR." American College of Radiology, n.d. Web. 29 gennaio 2025. https://www.acr.org/Clinical-Resources/Clinical-Tools-and-Reference/Appropriateness-Criteria
Collegio Americano di Radiologia. "Risultati accidentali". American College of Radiologia, n.d. Web. 29 gennaio 2025. https://www.acr.org/Clinical-Resources/Clinical-Tools-and-Reference/Incidental-Findings
Collegio Americano di Radiologia. "Reporting and Data Systems (RADS)." American College of Diagnosticy, n.d. Web. 29 gennaio 2025. https://www.acr.org/Clinical-Resources/Clinical-Tools-and-Reference/Reporting-and-Data-Systems
Associazione Americana per la Chirurgia del Trauma. "Scala di Punteggio degli Infortuni." American Association for the Surgery of Trauma, n.d. Web. 29 gennaio 2025. https://www.aast.org/resources-detail/injury-scoring-scale
MacMahon H, Naidich D, Goo J e altri. Linee guida per la gestione dei noduli polmonari incidentali rilevati su immagini di TC: dalla Società Fleischner 2017. Radiologia. 2017; 284(1):228-43. doi:10.1148/radiol.2017161659 - Pubmed
Tessler, Franklin N., e altri. "Sistema di Imaging, Reporting e Dati per la Tiroide (TI-RADS): White Paper del TI-RADS Comitato ACR." Journal del Collegio Americano di Radiologia, 2017.
Registro Clinico Qualificato MIPS dei Dati | Collegio Americano di Radiologia
Riferimenti alle risorse del sistema di valutazione e punteggio dei rischi
a) Indice di rischio di malignità nei tumori ovarici | Articolo di riferimento sulla radiologia | Radiopaedia.org
b. BI-RADS, C-RADS, CAD-RADS, LI-RADS, Lung-RADS, NI-RADS, O-RADS, PI-RADS, TI-RADS: Sistemi di Reporting e Dati - PubMed