Radyoloji İçgörüleri için Saydamlık Notu

Saydamlık Notu nedir?

Yapay zeka sistemi teknoloji içerir ve bunu kullanan kişiler bu sistemden ve dağıtıldığı ortamdan etkilenir. Hedeflenen amaca uygun bir sistem oluşturmak için teknolojinin nasıl çalıştığı, özelliklerinin ve sınırlamalarının ne olduğu ve en iyi performansın nasıl elde edilebilecekleri hakkında bilgi edinmeniz gerekir. Microsoft'un Saydamlık Notları, yapay zeka teknolojimizin nasıl çalıştığını anlamanıza, sistem sahiplerinin sistem performansını ve davranışını etkileyen seçimler yapabilmesine ve teknoloji, insanlar ve ortam dahil olmak üzere tüm sistem hakkında düşünmenin önemini anlamanıza yardımcı olmak için tasarlanmıştır. Kendi sisteminizi geliştirirken veya dağıtırken Saydamlık Notları'nı kullanabilir veya bunları sisteminizi kullanacak veya etkilenecek kişilerle paylaşabilirsiniz. Microsoft'un Şeffaflık Notları, Microsoft'un AI İlkelerini uygulamaya koymaya yönelik daha geniş bir çalışmanın bir parçasıdır. Daha fazla bilgi edinmek için bkz. Microsoft AI ilkeleri.

Radiology Insights'ın temelleri

Giriş

Radyoloji İçgörüleri (RI), hatalar ve tutarsızlıklar (uyuşmazlıklar) hakkında geri bildirim olarak kalite denetimleri sağlamayı amaçlayan ve raporun tüm bağlamını kullanarak kritik bulguları tanımlamaya ve iletmeye yardımcı olan bir modeldir. Takip önerileri ve klinik bulgular da radyolog tarafından belgelenen ölçümlerle (boyutlar) birlikte tespit edilir.

• Radiology Insights, Project Health Insights Azure AI hizmetinde sunulan yerleşik bir yapay zeka yazılım modelidir
• Radyoloji İçgörüleri dış başvuru sağlamaz. Health Insights modeli olarak Radiology Insights, sağlanan veri hakkında çıkarımlar sağlayarak modelin sonuçlarını derinlemesine anlamak için referans olarak kullanılmak üzere sunar.

Azure Health İçgörülerinin Radyoloji İçgörüleri özelliği, yapılandırılmamış tıbbi radyoloji belgelerini işlemek için doğal dil işleme tekniklerini kullanır. Kullanıcının radyoloji iş akışı bağlamında finansal ve klinik sonuçları etkili bir şekilde izlemesine, anlamasına ve geliştirmesine yardımcı olan çeşitli çıkarım türleri ekler. Sistem tarafından şu anda desteklenen çıkarım türleri şunlardır: AgeMismatch, SexMismatch, LateralityDiscrepancy, CompleteOrderDiscrepancy, LimitedOrderDiscrepancy, Finding, CriticalResult, FollowupRecommendation, RadiologyProcedure, Communication.

Bu çıkarımlar hem klinik analizleri desteklemek hem de belge oluşturma sürecinde gerçek zamanlı yardım sağlamak için kullanılabilir.

• RI, radyoloji iş akışı verilerini bölüp analiz ederek önemli içgörüler üretir ve bunları uygulanabilir bilgilere dönüştürür.
• RI geçmişin analizine olanak tanır ve güçlü yanları ortaya koyan anlamlı içgörüler oluşturarak geleceği geliştirir ve müdahale gerektiren alanları tam olarak saptar.
• RI, kalite denetimleri ve uyuşmazlıklar ve olası kritik bulgular için otomatik, satır içi uyarılar oluşturulmasını sağlar.
• RI, kanıta dayalı klinik kararları yönlendiren yapay zeka destekli, otomatik rehberlik desteği ve kalite denetimleriyle izleme önerisi tutarlılığını geliştirir.

Radyoloji İçgörüleri, mevcut teklifinin bir parçası olarak İngilizce yapılandırılmamış metinleri alabilir ve Adlandırılmış Varlık Tanıma (NER) için Sağlık için Metin Analizi (TA4H) kullanır. Bu analiz, tanımlanan varlıklar arasındaki ilişkileri ayıklar, olumsuzlama ve koşulluluk gibi saptamaları ortaya çıkarır ve algılanan varlıkları ortak sözlüklere bağlar.

Önemli terimler

Süre	Tanım
Belge	RI modelinin girişi, anlatı bilgilerinin yanında hasta bilgilerini ve yordam sırası belirtimlerini içeren meta verileri de içeren bir Radyoloji Klinik belgesidir.
Modalite	Modalite, vücudun tıbbi görüntülerini yakalamak için kullanılan belirli görüntüleme tekniğini veya teknolojisini ifade eder. Her modalite, tanı ve tedaviye yardımcı olan görüntüler oluşturmak için farklı fiziksel ilkeler (röntgen, ses dalgaları veya manyetik alanlar gibi) devreye alır.
Çıkarım	RI modelinin çıkışı, işlenen belgeye eklenen çıkarımların veya ek açıklamaların listesidir.
Yaş Uyumsuzluğu	Meta verilerdeki yaş bilgileriyle anlatı metni arasında bir tutarsızlık olduğunda ek açıklama tetiklenir.
SexMismatch	Ek açıklama, meta verilerdeki seks bilgileri ile anlatı metni arasında bir tutarsızlık olduğunda tetiklenmiştir (hasta referansları, cinsiyete özgü bulgular ve cinsiyete özgü vücut kısımlarını içerir).
Lateralite Uyumsuzluğu	Açıklama, meta verilerdeki yanallık bilgisi ile anlatı metni arasında veya rapor metnindeki bulgular ve değerlendirme bölümü arasında bir tutarsızlık olduğunda tetiklenir.
TamSiparişTutarsızlığı	Rapor metni, meta verilerdeki eksiksiz bir çalışmanın sıralandığı bilgilere göre tüm ilgili gövde parçalarını içermediğinde tetiklenen ek açıklama.
Sınırlı Sipariş Tutarsızlığı	Meta verilerde mevcut olan yordam sırasına göre gövde parçalarının sınırlı seçiminde tetiklenen ek açıklama denetlenmelidir, ancak rapor metni tüm ilgili gövde parçalarını içerir.
Bulma	Rapor metninde bulunan, klinik açıdan ilgili bir fikirle ilgili bir klinik bilgi derlemesini tanımlayan ve vurgulayan ek açıklama.
KritikSonuç	Rapor metnindeki, mevzuat uyumluluğuna göre belirli bir süre içinde iletilmesi gereken bulguları tanımlayan ve vurgulayan ek açıklama.
TakipÖnerisi	Rapor metnindeki bir veya daha fazla öneriyi tanımlayan ve vurgulayan ve her önerinin yapılandırılmış veri alanları kümesine normalleştirilmesini sağlayan ek açıklama.
Radyoloji Prosedürü	Meta verilerde bulunan yordam sırası bilgilerinin Loinc/Radlex kodları kullanılarak normalleştirilmesi.
İletişim	Rapor metninde, bulguların alıcıyla kesin veya kesin olmayan bir şekilde iletişim kurulduğunu belirten ve vurgulayan açıklayıcı not.
Klinik Rehberlik	Klinik rehberlik, sağlık hizmeti sağlayıcılarının klinik durumlar için en uygun görüntüleme veya tedavi kararlarını vermelerine yardımcı olmak için kanıta dayalı yönergeler (ACR Kılavuzu1 ve Fleischner Toplum Rehberi2) yapılandırılmış bir yaklaşım sağlayan bir karar ağacı olarak düşünülebilir. Model, bir veya daha fazla aday önerisi önermek üzere karar ağacını beslemek için belgelerden önemli bilgileri ortaya çıkartır.
Kalite Ölçüleri	Model, tıbbi bir prosedür yürütülürken kalite ölçüsü performansının karşılandığını veya karşılanmadığını değerlendirir. Kalite ölçütü performansı, belgede bulunan veya bulunmayan kanıtlarla açıklanır.
Risk Puanlaması ve Değerlendirmesi	Risk puanlama ve değerlendirme sistemleri klinik bulguların değerlendirilmesi ve raporlanması için tıbbi görüntüleme ve tanılamada kullanılır. Model, radyologun radyoloji notunda ya da raporunda dikte ettiği değerlerle önemli puanlama ve değerlendirme risklerini belirler.

Yetenekler

Sistem davranışı

Radyoloji İçgörüleri, özgün radyoloji klinik belgesine çeşitli çıkarımlar/ek açıklamalar ekler. Belge bir veya daha fazla ek açıklama tetikleyebilir. Bir belgede aynı ek açıklamanın birkaç örneği mümkündür.

• Yaş Uyumsuzluğu
• SexMismatch
• Lateralite Uyumsuzluğu
• TamSiparişTutarsızlığı
• Sınırlı Sipariş Tutarsızlığı
• Bulma
• KritikSonuç
• TakipÖnerisi
• Radyoloji Prosedürü
• İletişim
• Klinik Rehberlik
• Puanlama ve Değerlendirme
• Kalite Ölçüleri

Çıkarımları olan klinik radyoloji belgesi örneği:

Kapsam ve örneklerdeki çıkarımların işlevsel açıklaması

Yaş Uyuşmazlığı

Yaş uyuşmazlıkları, Hastanın demografik meta verileri ve rapor metni içindeki mevcut Hasta yaşı bilgilerinin karşılaştırması temelinde tanımlanır. Çakışan yaş bilgileri metinde etiketlenir.

Seks Uyuşmazlığı

Cinsiyet uyuşmazlıklarının belirlenmesi, bir yandan hastanın demografik meta verileri içindeki hastanın cinsiyet bilgilerinin karşılaştırmasını, diğer yandan da hasta başvurularını, cinsiyete özgü bulguları ve metindeki cinsiyete özgü vücut bölümlerini temel alır. Çakışan cinsel bilgiler metinde etiketlenir.

Lateralite Uyumsuzluğu

"Sol" (Lt, lft) ve "Sağ" (rt, rght) olarak tanımlanan yanallık, meta veri Yordam Sırasının Yordam Açıklamasındaki Anatomi (gövde parçaları) ile birlikte raporda yanallık uyuşmazlıkları oluşturmak için kullanılır. Geçmiş içerikte Uyuşmazlık yok. Yordam Açıklaması'nda sadece Yanallık mevcutsa ve Anatomi yoksa, metindeki karşıt yanallığın tamamı etiketlenir. Örneğin: Yordam Açıklaması'ndaki "sol görünümler", rapor metnindeki tüm "sağ" sözcükleri listeler.

SiparişTamamlama Tutarsızlığı

Eğer sipariş edilen prosedür KARIN, RETROPERITONEAL, PELVIS veya US MEME için bir ultrason ise tamlık uyuşmazlıkları ortaya çıkabilir. Sipariş tamamsa ve metin tamamlanmadıysa veya tam tersiyse, bir tamlık uyuşmazlığı oluşur.

LimitedOrder Tutarsızlığı

Eğer sipariş edilen prosedür KARIN, RETROPERITONEAL, PELVIS veya US MEME için bir ultrason ise tamlık uyuşmazlıkları ortaya çıkabilir. Sipariş tamamsa ve metin tamamlanmadıysa veya tam tersiyse, bir tamlık uyuşmazlığı oluşur.

Bulma

Bulgu, tıbbi kayıtlarda bulunan klinik açıdan ilgili bir kavramla ilgili olan NLU tabanlı klinik bilgi bütünleşmesidir. Uygulamadan bağımsız olacak şekilde oluşturulur. Bulma çıkarımı farklı alanlardan oluşur ve bunların tümü Bulma'nın ne olduğuna ilişkin eksiksiz bir genel bakış sağlamak için parçalar içerir.
Bir Bulgu şu alanlardan oluşabilir: Klinik İndikatör, Anatomi ve Yanal Bilgi Hakkında Boyut, Keskinlik, Şiddet, Sebep, Durum, Çoklu – kontrol et, Bölge Özellikleri, Zamanlama

Kritik Sonuç

Raporda dikte edilen olası kritik sonuçları tanımlar ve vurgular. Bir raporda belirtilen olası ACR Etkin Bulguları tanımlar ve vurgular. Yalnızca rapor metnindeki Kritik Sonucu tanımlar (meta verilerde değil) Terimler, Tıbbi Hataların Önlenmesi için Kitle Koalisyonu'nu temel alır: http://www.macoalition.org/Initiatives/docs/CTRstarterSet.xls.

TakipÖnerisi

Bu çıkarım, planlanması gereken olası bir ziyaret önerir. Her öneri bir modalite ve bir vücut bölümü içerir. Buna ek olarak, bir zaman, tarafsallık, bir veya birden çok bulgu ve koşullu ifadenin mevcut olup olmadığını (doğru veya yanlış) içerir.

Bkz. Cinsiyet Uyuşmazlığı örneği

RadiologyProcedure

Radyoloji İçgörüleri yordam sırasına göre modalite, gövde parçası, yanallık, görünüm ve karşıtlık gibi bilgileri ayıklar. Sıralı işlemler, LOINC/RadLex Komitesi tarafından geliştirilen ve bakımı yapılan LOINC/RSNA Radiology Playbook'u kullanılarak LOINC kodlarıyla normalleştirilir: http://playbook.radlex.org/playbook/SearchRadlexAction.

İletişim

RI, metindeki dili tespit eder; genellikle düzgün bir ad (genellikle ad ve soyad) veya bir klinisyen ya da hemşireye yapılan atıfa bağlı olarak iletişimi belirten bir fiildir. Bu tür birkaç alıcı olabilir. Belirli bir kişinin adı belirtilmediği sürece, tıbbi olmayan personelle (sekreter, katip vb.) yapılan iletişim, iletişim olarak etiketlenmez. Geçmiş iletişim (örneğin, geçmiş bölümlerinde) veya gelecekteki iletişim olarak tanımlanan dil (örneğin, "iletilecek") iletişim olarak etiketlenmemiştir.

Cfr SexMismatch örneği

Klinik Rehberlik

Klinik Rehberlik, radyologların belirli bir görüntüleme çalışmasını ve zamanlamasını seçme gibi gelecekteki eylemler için en uygun kararları almalarına yardımcı olmak için kanıta dayalı yönergeler (ACR Yönergeleri^1-4 ve Fleischner Society Guidelines⁵) yapılandırılmış bir yaklaşım sağlayarak bir karar ağacı olarak kabul edilebilir.

Model, karar ağacını beslemek için gerekli temel bilgileri almak için belgelerden klinik bulgu bilgilerini ayıklar. Ağaç düğümlerinin tamamlanması bir veya daha fazla aday önerisinin teklif olmasına neden olabilir. Birden çok klinik bulgu örneği aynı klinik rehberliği tetikleyebilir. Bu gibi durumlarda klinik bulgular, mevcut gerekli temel bilgilerin miktarına göre yüksekten düşüke sıralanır.

Model, rapordaki bulgudan tanımlamış olduğu kılavuz için kılavuz ağacı mantığından türetilen aday önerileri önerir. Bu öneriler modalite, anatomi, yanallık ve zaman çerçevesi açısından standartlaştırılmıştır. Bulunan ağaç düğümleri birden fazla yordama yol açıyorsa, model her yordam için ayrı aday önerileri sağlar (örneğin, CT, PET CT veya doku örnekleme önerileri). Model, model tarafından herhangi bir aday önerisi önerilememesi durumunda klinik bulguyla ilgili eksik bilgiler de sağlayacaktır. Radyolog bu eksik ayrıntıları belgelemeyi seçerse, model tarafından ek öneriler sağlanacaktır.

Aday önerilerinin yanı sıra, ACR klinik kılavuzları belirli klinik koşulların önem derecesini veya ilerlemesini gösteren bir puan veya aşama da önerebilir. Örneğin, Tiroid Görüntüleme Raporu ve Veri Sistemi (TI-RADS) yönerge^5'in gerekli önemli bilgilerinin her biri bir puana atanır ve toplam puan kategoriyi belirler. Kategoriye göre aday önerileri önerilebilir.

Aşağıdaki örneğin bulgular bölümünde:

"Sağ üst lobda 8 mm'lik bir nodüle, görüntü #15 serisi 4. 6 mm ölçülerde yeni arka sağ üst lob nodürü, görüntü #28 seri 4. Yeni 1,2 cm pulmoner nodül, sağ üst lob, görüntü #33 serisi 4."

Radyoloji İçgörü modeli, belgede bulunan bilgi kılavuzu değerlerini ayıklar ve Pulmoner Nodül (Fleishner Society Guideline⁵) için klinik kılavuza dayanan aday önerileri sunar. Bu durumda model farklı modaliteleri kullanarak aynı akciğer yapısı için farklı öneriler önerecektir: Bilgisayarlı Eksenel Tomografi, Pozitron Emisyon Tomografisi ve Görüntüleme Destekli Biyopsi.

Ayrıca, gösterim bölümündeki örnek belgeler:

"Daha önce tespit edilen sağ üst lobdaki küçük pulmoner nodüller çözüldü, ancak her iki akciğere birden çok yeni küçük nodül dağıldı."

Sağ üst lobdaki gözlem de model tarafından mevcut rehberlik değerleri olarak ortaya çıkar. Ancak model, yanıtsız olan ve raporda belgelenmemiş kılavuz değerlerini de ortaya çıkaracaktır. Bu değerler belgelenmişse, model Pulmoner Nodül için klinik kılavuza göre başka aday önerileri önerebilir. Bu, radyologun bir aday önerisi önermesine ve/veya belgeleri seçeneklerin bir parçası olarak ek öneriler içerecek şekilde geliştirmesine olanak tanır.

Bulgular bölümündeki (mavi) bulgudan model iki öneri adayı önermektedir: Positron Emisyon Tomografisi ve Görüntüleme Destekli Biyopsi, her ikisi de Akciğer. Bu bulgu için belirlenen kılavuz değerler Sağ Üst Lob ve Boyut 12 mm için geçerlidir. gösterim bölümündeki bulgudan Lobe için rehberlik değeri döndürülür, ancak Boyut eksiktir ve bu nedenle eksik bir kılavuz değeri olarak döndürülür. Öneri adayları sunulmamıştır.

Model tarafından desteklenen ACR Klinik Yönergeleri Tablosu

Klinik Rehberlik	Kod
ADNEXAL MASS	SNAF: 445039006: UTERUS EKLERİ KÜTLESİ (BULGUSU)
Adrenal Nodül	SNAF: 237783006: ADRENAL BEZESİ KİTLESİ (BULGU)
HEPATIK TRAVMA	SNAF: 39400004: KARACIĞER HASARı (BOZUKLUK)
KARACIĞER LEZYONU	SNAF: 300331000: KARACIĞER LEZYONU (BULGU)
AKCIĞER KANSERI EVRELEME	SNAF: 258319005: AKCIĞER TUTULUM AŞAMALARı (TÜMÖR EVRELEME)
Pankreas Yaralanması Derecelendirme	SNAF: 61823004: PANKREAS YARALANMASI (BOZUKLUK)
RENAL LEZYON	SNAF: 79131000119100: BÖBREK HASARI (BULGU)
DALAK YARALANMASI DERECELENDİRME	SNAF: 23589004: DALAK YARALANMASI (BOZUKLUK)
BÖBREK YARALANMASI DEĞERLENDİRME	SNAF: 40095003: BÖBREK YARALANMASI (HASTALIK)
TIROID NODÜL	SNAF: 237495005: TIROID NODÜL (BOZUKLUK)
ABDOMINAL AORT ANEVRİSMİ	SNAF: 233985008: ABDOMİNAL AORT ANEVRİZMA (BOZUKLUK)
HAMILELIK KONUMU	SNAF: 858901000000108: BİLİNMEYEN KONUMDA HAMİLELİK (BOZUKLUK)
HAMILELIK UYGULANABILIRLIĞI BAŞLANGıÇ	SNAF: 289208006: GEBELİĞİN HAYATTA KALMA DURUMUNUN SAPTANMASI (BULGU)
REKTAL KANSER EVRELEME	SNAF: 254310002: TÜMÖR-NODE-METASTASIS (TNM) KOLON VE REKTUM TÜMÖR EVRELEME (TÜMÖR EVRELEME)
GEBELİĞİN YAŞANABİLİRLİĞİ FOLLOW-UP	SNAF: 364327007: HAMİLELİĞİN YAŞAMAZLIĞI (GÖZLEMLENEBİLİR VARLIK)
Adneksiyal Kist	SNAF: 97171000119100: RAHİM EKLERİ KİSTİ (BOZUKLUK)
PANKREAS KIST	SNAF: 31258000: PANKREAS KİSTİ (HASTALIK)
Germinal Matris Kanaması	SNAF: 276650005: PERİNATAL SUPEPENDİMAL KANAMA BOZUKLUĞU (RAHATSIZLIK)
SAFRA KESESI VE BILIARY SISTEMI	SNAF: 300346007: SAFRA KESESİ LEZYONU (BULGU)
HİPOFİZ	SNAF: 399244003: HIPOFIZ BEZI BOZUKLUĞU (BOZUKLUK)
O-RADS	SNAF: 289840004: Yumurtalık Lezyonu (Bulgu)
PULMONER NODÜL	RADLEX: RID50149: PULMONER NODÜL
TI-RADS	RADLEX: RID50503: TI-RADS DEĞERLENDIRME
LUNG-RADS	RADLEX: RID50134: LUNG-RADS DEĞERLENDİRME

Kalite Ölçüleri

Kalite Ölçüleri, kalite ölçümleri, kalite raporlama ve sürekli iyileştirme çerçeveleri sağlayarak sağlık hizmetlerinin kalitesinin ilerletilmesinde önemli bir rol oynar. Model tarafından desteklenen Kalite Ölçüleri⁷ aşağıdaki tablolarda listelenmiştir. MIPS Nitelikli Klinik Veri Kayıt Defteri | Amerikan Radyoloji Fakültesi.

Model, raporda belgelenen Kalite Ölçüsü ölçütlerini yakalar ve kalite standartlarını karşılamak için gerekli tüm ölçütlerin dahil edilip edilmediğini denetleyerek belgelerin tamamlanıp tamamlanmadığını belirler.

Belgelerin gerekli Kalite Ölçüsü ölçütleriyle uyumlu olması durumunda Kalite Ölçüsü performansı "karşılanır". Belgelerin ölçütlere uymadığı durumlarda performans "karşılanmaz". Belgelerde Kalite Ölçüsü performansının karşılanmasını gerektirmeyen bulgular bulunması durumunda model kalite ölçüsünü "özel durum" olarak etiketleyecektir (örneğin, bir hastanın CVC kesici ucu için kalite önlemlerini karşılamaya yönelik bir ölçüt olan Klorheksidine alerjisi vardır).

Aşağıdaki örnekte bir hastaya CVC veya Merkezi Venöz Kateter eklenmesi gerekir. Kan dolaşımı enfeksiyonları gibi ciddi komplikasyonlardan kaçınmak klinik ortamlarda çok önemlidir. Bu nedenle, prosedür CVC ekleme standartlarına, geleneksel teknikleri kullanarak uygun el hijyenine ve steril eldiven, kapak, maske, steril gece elbisesi ve steril tam vücut drape kullanımı gibi maksimum steril bariyer uygulamalarına uymalıdır. Ek olarak, prosedür Klorheksitin kullanarak uygun cilt hazırlığı ve ultrason, steril jel ve steril bir prob kapağı kullanımı dahil steril ultrason tekniklerinin uygulanmasını gerektirir. Ancak bu örnekte, steril ultrason tekniğinin kritik bir bileşeni olan steril prob kapağının kullanımıyla ilgili eksik bilgiler nedeniyle performans "karşılanmaz". Sonuç olarak, belgeler Kalite Ölçüsü CVC Enfeksiyon Önleme ile uyumlu değildir.

Eksik ölçütler söz konusu olduğunda, belgeler eksik belgelenmiş ancak yürütülen ölçütleri de kapsayacak şekilde güncelleştirilebilir veya bu önemli ölçütlerin yürütülen yordama neden dahil edilmediğini anlamak için geçmişe dönük bir bakış düzenlenebilir.

Şekil Kalite Ölçüleri: Model, Kalite Ölçüsü CVC INSERT için belgelerin kalite ölçütlerine uymadığını bildirir ve uyumluluk türünü model yanıtında "performans karşılanmadı" olarak sınıflandırır. Steril sonda kapağı kullanımıyla ilgili eksik bilgiler var.

Tablo Kalite Ölçüleri – UYGULANAN MIPS

MIPS Nr	MIPS
76	Merkezi venöz kateterin önlenmesi - ilgili kan dolaşımı enfeksiyonları.
145	Floroskopi kullanılarak gerçekleştirilen prosedürlerde rapor edilen maruz kalma dozu endeksleri veya maruz kalma süresi ve görüntü sayısı.
147	Kemik sintigrafisi uygulanan tüm hastalar için mevcut görüntüleme çalışmalarıyla karşılaştırma yapılması.
360	İyonlaştırıcı radyasyona hasta maruziyetinin iyileştirilmesi: potansiyel yüksek doz radyasyon görüntüleme çalışmalarının sayısı: bilgisayarlı tomografi (BT) ve kalp nükleer tıp çalışmaları.
364	Uygunluk: Önerilen yönergelere göre tesadüfi olarak algılanan pulmoner nodüller için CT görüntülemeyi takip edin.
405	Tesadüfi karın lezyonları için uygun takip görüntülemesi.
406	Tesadüfi tiroid nodülleri bulunan hastalar için uygun takip görüntülemesi.
436	Doz düşürme tekniklerinin kullanımı.

ACRad Hayır	ACRad
36	Göğüs BT'sinde Olaysal Koroner Arter Kalsifikasyonu Bildirildi
37	Pulmoner Embolizm için CT Pulmoner Anjiyografinin (CTPA) Yorumu
38	Ventriküler Şantları Olan Hastalarda Düşük Doz Cranial BT veya MRI Muayenelerinin Kullanımı
40	Prostat MR'ında Yapılandırılmış Raporlamanın Kullanımı
41	Onkolojik FDG PET Görüntüleme için Nicel Ölçütlerin Kullanımı
42	Hepatosellüler Karsinom (HCC) Riski Olan Hastalarda 10 mm'den Büyük Karaciğer Nodülleri için Gözetim Görüntüleme <

MSDN QCDR Numarası	MSN QCDR
MEDNAX55	Şüpheli akut inme için gerçekleştirilen kontrastsız Beyin BT taramalarında ASPECTS (Alberta İnme Programı Erken BT Puanı) kullanımı
MSN13	Koroner Arter Kalsifikasyonu Bölgesel Dağılım Puanlaması Dahil Kardiyovasküler Risk Değerlendirmesi için Koroner Kalsiyum Puanlaması Taraması
MSN15	Tiroid Nodül Riskini Katmanlaştırmak için Son Raporda Tiroid Görüntüleme Raporlama ve Veri Sistemi (TI-RADS) Kullanımı
QMM26	Önerilerle Abdominal Aort Anevrizması Taraması Raporlama
QMM17	Ovarian-Adnexal Raporlama ve Veri Sistemi (O-RADS) Kullanılarak Yumurtalık Adneksal Lezyonlar için Uygun İzleme Önerileri
QMM18	Mamografide Meme Kanseri Risk Puanını Kullanma
QMM19	Osteopenia Hastaları için DEXA/DXA ve Kırık Risk Değerlendirmesi

Puanlama ve Değerlendirme

Risk Puanlama ve Değerlendirme sistemleri, bulguların değerlendirilmesi ve raporlanması için tıbbi görüntüleme ve tanılamada kullanılır. Bu sistemler görüntüleme çalışmalarını yorumlamak, hastalık riskini değerlendirmek ve klinik yönetimi yönlendirmek için yapılandırılmış bir yaklaşım sağlar. Uygulanan Risk Puanlama ve Değerlendirme sistemleri⁸ aşağıdaki tabloda listelenmiştir.

Model, radyoloji notunda veya raporda radyolog tarafından dikte edilmiş sınıflandırmalar veya değerlerle Riskler, Puanlamalar ve Değerlendirmeler'i ortaya çıkarmakta ve vurgulamaktadır.

Aşağıdaki örnekte model iki çıkarım tanımlar: 17,6% değerine sahip ASCVD (Aterosklerotik Kardiyovasküler Hastalık) riski ve sıfır değeriyle Agatston Puanı (koroner arterlerdeki kalsiyum miktarını ölçmek için kullanılan ölçü). 10 yıllık ASCVD (Aterosklerotik Kardiyovasküler Hastalık) risk puanı, bir kişinin sonraki 10 yıl içinde kardiyovasküler bir olay (kalp krizi veya inme gibi) yaşama olasılığının bir tahminidir. Bu puan yaş, kolesterol düzeyleri, tansiyon, sigara içme durumu, diyabet ve diğerleri gibi çeşitli risk faktörlerine göre hesaplanır (model tarafından değil). Bu durumda, risk puanı 17,6%, kişinin risk faktörlerine bağlı olarak, önümüzdeki 10 yıl içinde kardiyovasküler bir olay yaşama olasılığının 17,6% olduğu anlamına gelir.

Şekil Risk Puanlaması ve Değerlendirmesi: Model, biri ASCVD Risk kategorisinde 17,6% değeriyle, diğeri Kalsiyum Puanı kategorisinde 0 değeriyle olan iki Puanlama ve Değerlendirme örneğini (mavi) tanımlar.

Uygulamaya Konmuş Risk veya Değerlendirme Kategorileri Tablosu

Risk veya Değerlendirme kategorisi	Değer/Sınıflandırma	Birim
BİRADS	0, 1, 2, 3, 4, 4a, 4b, 4c, 5, 6
C-RADS Kolon Bulguları	C0, C1, C2, C3, C4
C-RADS Kolon Dışı Bulgular	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
ABD LI-RADS Görselleştirme Puanı	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 Notlandırma Ölçeği	0, 1, 2, 3, 4
Tonnis Sınıflandırması	1, 2, 3, 4
Kalsiyum Puanı	Sayısal değer (genellikle 1-1000 arasında)
Alberta İnme Programı Erken BT Skoru (ASPECTS - Alberta Stroke Program Early CT Score)	0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10
Z Puanı	-4 ile 4 arası
T Puanı	-4 ile 4 arası
Yaşam Boyu Meme Kanseri Riski	Sayısal 0-100	%
ASCVD Riski	Sayısal 0-100	%
Değiştirilmiş Gail Modeli Riski	Sayısal 0-100	%
Tyrer Cusick Model Riski	Sayısal 0-100	%
10 Yıllık CHD Riski	Sayısal 0-100	%
Malignite Risk Dizini (RMI)	Sayısal
HNPCC Mutasyon Riski	Sayısal 0-100	%

Kullanım örnekleri

Sağlık kuruluşları ve radyoloji ekipleri, kaliteye sürekli dikkat ederek radyoloji operasyonlarına ve performansına özgü eğilimlere ve sonuçlara görünürlük sağlamalıdır. Radyoloji İçgörüleri modeli, bir radyolog için radyoloji belgelerinden değerli bilgileri ayıklar.

Bu kullanım örneklerinden her birinin kapsamı her zaman radyoloğun dikte etmekte olduğu geçerli belgedir. Görüntü analizi veya hasta kaydı bilgisi söz konusu değildir. Meta veriler geçerli rapor için yönetim bağlamı sağlar ve hasta yaşı, hasta cinsiyeti ve sipariş edilen prosedürle sınırlıdır. (örneğin: Karın tomografisi, beynin MRI,...)

Microsoft bu işlevi, kapsamdaki bilgilerin tanımlanmasına veya ayıklanmasına izin veren modele sahip bir API olarak sağlamaktadır. Müşteri modeli kendi veya üçüncü taraf radyoloji raporlama yazılımına dahil eder ve bilgiler için kullanıcı arabirimini belirler. Müşteriler, sağlık sistemi içinde kullanılmak üzere radyoloji raporlama yazılımı geliştiren veya değiştiren bir ISV veya sağlık sistemi olabilir.

Bu nedenle, müşteriler tarafından belirli kullanım örnekleri ve bilgilerin bir radyolog tarafından nasıl sunulacağı veya kullanılacağı açıklanandan biraz farklı olabilir, ancak açıklamalar API işlevselliğinin amaçlanan amacını gösterir.

Kullanım Örneği 1 – Uyuşmazlıkları Belirleme: Radyoloji uzmanının radyoloji raporunda belgelediği bilgilerle raporun meta verilerinde bulunan bilgiler arasında model tarafından tanımlanan olası uyuşmazlıklar sağlanır. Cinsiyet, yaş ve vücut bölgesinin yanallığı için uyuşmazlıklar belirlenebilir. Uyuşmazlıklar, dikte edilen metinle sağlanan meta veriler arasındaki olası tutarsızlıkları belirler. Ayrıca dikte edilen/yazılan metin içindeki olası tutarsızlıkları da belirler. Tutarsızlıklar cinsiyet, yaş, yanallık ve görüntüleme türüyle sınırlıdır. Bu yalnızca radyoloğun raporlama sırasında olası tutarsızlıkları düzeltmesine izin vermek içindir. Sistem, radyoloğun bildirmiş olduğu görüntüden haberdar değildir. Bu model hiçbir şekilde radyologun görüntü yorumunu klinik olarak değerlendirmemektedir. Radyolog hastanın tanı ve tedavisinden ve doğru belgelerden sorumludur.

Kullanım Örneği 2 – Klinik Bulgular Sağlama: Model yapılandırılmış veri olarak iki tür klinik bulgu ayıklar: kritik bulgular ve eyleme dönüştürülebilir bulgular. Yalnızca radyolog tarafından raporda açıkça belgelenen klinik bulgular model tarafından ayıklanır. Model tarafından üretilen klinik bulgular rapordaki bilgi parçalarından veya görüntüden çıkarılamaz. Bunlar yalnızca radyologların sağlayıcıyla iletişim kurması için olası bir anımsatıcı görevi görür. Model, iki klinik bulgu kategorisi (Eyleme Dönüştürülebilir Bulgu ve Kritik Sonuç) oluşturur ve raporda açıkça belirtilen klinik bulguya ve ACR (American College of Radiology) tarafından formüle edilen ölçütlere dayanır. Model her zaman radyolog tarafından açıkça belgelenen tüm bulguları ayıklar. Ayıklanan bulgular, bir sağlık uzmanı tarafından açık bir şekilde iletilmesi ve zamanında üzerinde işlem yapılması gereken olası klinik bulgular hakkında bir radyologu uyarmak için kullanılabilir. Müşteriler, aşağı akış veya ilgili sistemleri (EHR'ler veya otomatik zamanlama işlevleri gibi) doldurmak için ayıklanan bulguları da kullanabilir.

Kullanım Örneği 3 – İzleme Önerilerini İletişime Alma: Bir radyolog, bazı durumlarda izlemenin önerildiği bulguları ortaya çıkarır. Belgelenen öneri, bir sağlık uzmanıyla (hekim) iletişim için model tarafından ayıklanır ve normalleştirilir. İzleme önerileri oluşturulmaz, çıkarılmaz veya önerilmez. Model yalnızca radyolog tarafından açıkça belgelenen izleme önerisi ifadelerini çıkarır. İzleme önerileri SNOMED'e kodlanarak normalleştirilir.

Kullanım Örneği 4 – Raporlama Ölçümleri: Bir radyolog klinik bulguları ölçümlerle belgelemektedir. Model, bulguyla ilgili klinik olarak ilgili bilgileri ayıklar. Model, rapordaki radyologların açıkça belirttiği ölçümleri ayıklar. Model, radyolog tarafından alınmış ve gözden geçirilmiş ölçümleri arıyor. Bu ölçümleri ilgili metin tabanlı kayıttan ayıklayıp yapılandırmaktadır. Ayıklanan ve yapılandırılmış ölçüm verileri, zaman içinde belirli bir hastanın ölçümlerindeki eğilimleri görmek için kullanılabilir. Müşteri, model tarafından ayıklanan ölçüm verilerine göre bir hasta kümesinde arama yapabilir.

Kullanım Örneği 5 - Üretkenlik ve Önemli Kalite Ölçümleri Raporları: Radyoloji İçgörüleri modeli ayıklanan bilgiler (kullanım örneklerinde 1 ile 5 arasında ayıklanan bilgiler) radyologlardan oluşan bir ekip için raporlar ve destek analizi oluşturmak için kullanılabilir. Ayıklanan bilgilere dayanarak panolar ve geçmişe dönük analizler, iyileştirme çalışmalarına yol göstermek, hataları en aza indirmek ve rapor kalitesini ve tutarlılığını geliştirmek için üretkenlik ve temel kalite ölçümleriyle ilgili güncelleştirmeler sağlayabilir. RI modeli gösterge paneli oluşturmaz, ancak bir kullanıcının araştırma ve yönetim amacıyla bir araya getirebileceği, çıkartılmamış bilgiler sunar. Model durumsuz.

Kullanım Örneği 6 – Kalite Ölçüleri: Sağlık Programlarında Geri Ödeme Ölçütlerine Uyum Senaryo: Bir sağlık kuruluşunun, MACRA yasası kapsamında oluşturulan Liyakat Tabanlı Teşvik Ödeme Sistemi (MIPS) gibi gelişen geri ödeme programlarına uyumluluğu sağlaması gerekir. Kuruluşun, geri ödeme teşviklerine hak kazanmak veya cezalardan kaçınmak için belirli performans ölçütlerini karşılaması gerekir. Çözüm: Kuruluş, klinik ve idari verilerinden uygun Kalite Ölçüsü ölçütlerini toplar. Sistem, bu ölçütlerin izlenmesini ve rapor edilmesini otomatikleştirerek geri ödeme gereksinimleriyle uyumluluğu destekleyerek el ile harcanan çabayı azaltır ve Medicare'ye doğru raporlama sağlar. RI modeli pano oluşturmaz, ancak bir müşterinin birleştirebileceği, türetilmemiş ayıklanmış bilgileri sunar. Model durumsuz.

Kullanım Örneği 7 – Puanlama ve Değerlendirme: Radiology Insights aracılığıyla Nüfus Durumu Yönetimi Senaryo: Bir sağlık hizmeti sağlayıcısı, daha fazla tarama veya önleyici hizmet ihtiyacı olan bireyleri veya hasta gruplarını belirleyerek nüfus sağlığı yönetimini iyileştirmeyi amaçlır. Kuruluş, hasta sonuçlarını iyileştirmek için radyoloji raporlarından değerli içgörüler elde etmek istiyor. Çözüm: Puanlar ve değerler daha sonra eğilimleri belirlemek, taban çizgileri oluşturmak ve daha fazla tarama veya önleyici bakımdan yararlanabilecek kişilere veya gruplara bayrak eklemek için toplanır. Sistem, klinisyenlerin hasta popülasyonlarını proaktif olarak yönetmesine yardımcı olur ve gelecekteki komplikasyon olasılığını azaltırken önleyici bakımı geliştirir.

Kullanım Örneği 8 – Radyolog için Klinik Rehberlik Senaryo: Radyologların raporlarındaki bulguları belgelerken sıklıkla belirli klinik yönergelere başvurmaları gerekir. Ancak eksik veya eksik bilgiler bu yönergelere ve önerilerine erişimi geciktirebilir ve bu da raporlarının doğruluğunu etkileyebilir. Çözüm: Radyoloji İçgörüleri, radyoloji raporundaki ilgili klinik yönergeler ve aday önerileriyle ilgili belgelenmiş bulguları otomatik olarak vurgular. Önemli bilgiler eksikse ve bu da klinik bir yönergenin öneri sonucunu etkileyebilirse sistem bu boşlukları işaretlemektedir. Bu proaktif yaklaşım, radyologların gerekli kılavuz bilgilerine hemen erişmesini sağlayarak raporlarının doğruluğunu ve eksiksizliğini geliştirmeyi sağlar.

Diğer kullanım örneklerini seçerken dikkat edilmesi gereken noktalar

Radyoloji İçgörüleri yapılandırılmamış tıbbi metinlerden bilgi ayıklamak ve radyoloji belgeleri iş akışını desteklemek için değerli bir araçtır. Ancak, sağlıkla ilgili verilerin hassas doğası göz önünde bulundurulduğunda, kullanım durumlarınızı dikkatli bir şekilde göz önünde bulundurmanız önemlidir. Her durumda, bir insan sistemin döndürdüğü bilgilerle yardım alarak kararlar almalıdır ve her durumda kaynak verileri gözden geçirmek ve hataları düzeltmek için bir yolunuz olmalıdır. Kullanım örneği seçerken dikkat edilmesi gereken bazı noktalar şunlardır:

• Bu hizmeti tıbbi bir cihaz olarak, klinik destek sağlamak için veya insan müdahalesi olmadan hastalığın ya da diğer koşulların tanı, tedavi, risk azaltma, tedavi veya önlenmesinde kullanılacak bir tanılama aracı olarak kullanan senaryolardan kaçının. Nitelikli bir tıp uzmanı her zaman durum tespiti yapmalı ve hasta bakımı kararlarını etkileyebilecek kaynak verileri doğrulamalı ve kararlar vermelidir.

• İnsan müdahalesi olmadan tıbbi hizmetleri veya sağlık sigortasını otomatik olarak verme veya reddetme ile ilgili senaryolardan kaçının. Kapsam düzeylerini etkileyen kararlar etkili olduğundan, kaynak verilerin her zaman bu senaryolarda doğrulanması gerekir.

• Hasta onayı veya geçerli yasalar tarafından izin verilmeyen bir amaç için kişisel sağlık bilgilerini kullanan senaryolardan kaçının. Sağlık bilgilerinin gizlilik ve onay ile ilgili özel korumaları vardır. Kullandığınız tüm verilerin sisteminizdeki verileri kullanma şekliniz için hasta onayına sahip olduğundan veya sağlık bilgilerinin kullanımıyla ilgili geçerli yasalarla uyumlu olduğunuzdan emin olun.

• İnsan müdahalesi olmadan hasta kayıtlarını güncelleştirmek için algılanan çıkarımları kullanmayı dikkatle göz önünde bulundurun. Yanlış verilerin diğer sistemlere yayılmasını önlemek için hataları raporlamanın, izlemenin ve düzeltmenin her zaman bir yolu olduğundan emin olun. Hasta kayıtlarında yapılan tüm güncelleştirmelerin nitelikli uzmanlar tarafından gözden geçirildiğinden ve onaylandığından emin olun.

• İnsan müdahalesi olmadan hasta faturalamasında algılanan çıkarımları kullanmayı dikkatle göz önünde bulundurun. Sağlayıcıların ve hastaların her zaman yanlış faturalama oluşturan verileri raporlama, izleme ve düzeltme yöntemlerine sahip olduğundan emin olun.

Sınırlamalar

Giriş radyoloji belgesinin belirli özellikleri, RI modelinden eyleme dönüştürülebilir ve doğru çıktı elde etmek için çok önemlidir. Burada önemli bir rol oynayan öğelerden bazıları şunlardır:

• Diller: Şu anda RI özellikleri yalnızca İngilizce metin için etkinleştirilmiştir.
• Bilinmeyen sözcükler: Radyoloji belgeleri bazen bilinmeyen kısaltmalar/sözcükler veya bağlam dışı eş anlamlılar veya yazım hataları içerir.
• Giriş meta verileri: RI, giriş bilgilerinin belgede veya belgenin meta verilerinde kullanılabilir olduğu bazı çıkarım türlerini bekler.
• Şablonlar ve biçimlendirme: RI gerçek bir dünya, temsili bir belge kümesi kullanılarak geliştirilmiştir, ancak belirli kullanım örnekleri ve/veya belge şablonları RI mantığının doğru olması için zorluklara neden olabilir. Örneğin, iç içe tablolar veya karmaşık yapılar yetersiz ayrıştırmalara neden olabilir.
• Sözlük ve açıklamalar: RI, gerçek dünya belgeleri üzerinde geliştirilmiş ve test edilmiştir. Ancak doğal dilin zenginliği, belirli klinik olguların açıklamaları zaman içinde değişebilir ve mantığın sonuçlarını etkileyebilir.

Sistem performansı

Sistemin performansı, gerçek pozitif, gerçek negatif, yanlış pozitif ve hatalı negatif örnekleri temel alan istatistikler hesaplanarak değerlendirilir. Bunu yapmak için, temsili bir belge kümesinin oluşturulması ve sonrasında beklenen sonuçlarla açıklanması gerekir. Doğruluk sayılarını belirlemek için RI çıkışı istenen çıkışla karşılaştırılabilir.

Radyoloji İçgörüleri'nin Hatalı Pozitif/Hatalı Negatif sonuçlar üretmesinin başlıca nedenleri şunlardır:

• Gerekli tüm meta bilgileri içermeyen giriş belgesi
• Belge biçimini ve biçimlendirmesini girin (Bölüm başlıkları, Noktalama, ...)
• İngilizce olmayan metin (kısmi)
• Bilinmeyen sözcükler (kısaltmalar, yazım hataları, ...)
• Karmaşık biçimlendirmeyi ayrıştırmayla ilgili sorunlar (iç içe tablolar, ...)

Radyoloji İçgörülerinin Değerlendirilmesi

Değerlendirme yöntemi

Radyoloji içgörü mantığı, büyük bir dizi gerçek dünya klinik radyoloji belgesi kullanılarak geliştirilip değerlendirilir. İnsan uzmanlar tarafından açıklamalı 5000'den fazla belgeden oluşan bir tren kümesi, RI çıkarımlarını tetikleyen mantığı uygulamak ve iyileştirmek için kullanılır. Bu setin bir bölümü, ABD tıp merkezi tarafından sağlanan ve çoğunlukla yetişkin hastalara odaklanan bir korpustan rastgele örneklenmiş.

Kullanılan set, ABD merkezli erkek ve kadın hastaların neredeyse eşit temsilini ve her yaş grubunun yeterli temsilini sağlar. Veriler bu tür meta verileri içermediğinden, eğitim verilerinin temsili (coğrafi, demografik veya etnografik gösterim gibi) için başka bir analiz yapılmadığı belirtilmelidir. Kullanılan tren kümesi ve diğer değerlendirme kümeleri, farklı hasta özellikleri (Yaş, Cinsiyet) için tüm çıkarım türlerinin mevcut olduğundan emin olmak için oluşturulur. Mantığın doğruluğu veya gerilemesi, tüm mantık kapsamını kapsayan birim ve işlevsel testler kullanılarak test edilir. RI modellerinin genelleştirilmesi, eğitim kümesinin aynı özelliklerini paylaşan ve haricinde tutulan belge kümeleri kullanılarak değerlendirilir.

Popülasyon genelindeki her çıkarım için hedeflenen minimum performans düzeyleri, Konu uzmanlarıyla birlikte değerlendirilir, izlenir ve gözden geçirilir. Temel olan tüm çekirdek NLP ve NLU bileşenleri ayrı ayrı denetlenir ve özel test setleri kullanılarak gözden geçirilir.

Değerlendirme sonuçları

İnsan uzmanları tarafından manuel olarak yapılan altın veri açıklamaları mevcut olduğunda kullanılan değerlendirme ölçümleri doğruluk, hatırlama ve F1 puanlamalarıdır. Regresyon testi, tutarsızlık analizi ve insan uzman geri bildirim döngüleri aracılığıyla yapılır.

Radyoloji belgelerinin görünmeyen ve eğitim kümeleri üzerinde yapılan değerlendirme, Radiology Insights'ın tüm açıklama eklemeleri için açıklanmış veri kümeleri arasında güçlü ve tutarlı bir performans sergilediğini gösterir.

Toplam 15.000'den fazla belge içeren eğitim kümeleri kapsamlı ek açıklamalar içerir. Bulgular, kritik sonuçlar, iletişimler, uyuşmazlıklar, öneriler, puanlama ve değerlendirme ve klinik rehberlik gibi tüm alanlarda tıp uzmanları tarafından seçilmiştir. Bu kümeler, farklı kullanım örneklerini kapsayan modelin özellikleri için sağlam bir temel sağlar.

Toplam 6.000'den fazla belgeyi içeren görünmeyen kümeler, modelin eğitim sırasında karşılaşmadığı veriler üzerinde bile performans sergilediğini onaylayarak genelleştirilebilirlik açısından sıkı bir test görevi görür.

Özetle, değerlendirme hem görülen hem de görünmeyen kümelerde güçlü ve tutarlı bir performans gösterse de, uç durumlar ve test edilmemiş koşullar da dahil olmak üzere daha fazla senaryonun sürekli doğrulanması ve keşfi önemli olmaya devam eder ve gerçek dünya uygulamalarında kapsamlı kapsam ve sürekli kalite sağlamak için devam etmektedir.

Kullanımınız için Radiology Insights'ı değerlendirme ve tümleştirme

Radiology Insights'ı dağıtmaya hazırlanırken, aşağıdaki etkinlikler başarı için ayarlamanıza yardımcı olur:

• Neler yapabileceğini anlama: Ri'nin özelliklerini ve sınırlamalarını anlamak için özelliklerini tam olarak değerlendirin. Senaryonuzda ve bağlamınızda nasıl performans sergilediğinden anlayın.

• Gerçek ve çeşitli verilerle test etme: Ri'nin senaryonuzda performansı, kullanıcılarınız, coğrafyanız ve dağıtım bağlamlarınızdaki çeşitliliği yansıtan gerçek yaşam koşullarını ve verileri kullanarak kapsamlı bir şekilde test ederek anlayın. Uçtan uca senaryonuzu yansıtmayan küçük veri kümeleri, yapay veriler ve testlerin üretim performansınızı yeterince temsil etme olasılığı düşüktür.

• Bir kişinin gizlilik hakkına saygı gösterin: Yalnızca yasal ve haklı amaçlarla bireylerden veri ve bilgi toplama veya kullanma. Yalnızca kullanma iznine sahip olduğunuz veya yasal olarak kullanımına izin verdiğiniz verileri ve bilgileri kullanın.

• Yasal inceleme: Özellikle hassas veya yüksek riskli uygulamalarda kullanıyorsanız çözümünüzün uygun yasal incelemesini alın. Hangi kısıtlamaların içinde çalışmanız gerekebileceğini ve kullanımdan önce hafifletilmesi gereken riskleri anlayın. Bu tür riskleri azaltmak ve ortaya çıkabilecek sorunları çözmek sizin sorumluluğunuzdadır.

• Sistem incelemesi: Yapay zeka destekli bir ürünü veya özelliği yazılım veya müşteri ya da kuruluş süreçleri için mevcut bir sistemle tümleştirmeyi ve sorumlu bir şekilde kullanmayı planlıyorsanız, sisteminizin her bir parçasının nasıl etkilendiğini anlamak için zaman ayırın. Yapay zeka çözümünüzün Microsoft Sorumlu yapay zeka ilkeleriyle nasıl uyumlu olduğunu düşünün.

• Döngüdeki insan: Bir insanı döngüde tutun ve insan gözetimini keşfedilecek tutarlı bir desen alanı olarak ekleyin. Bu, yapay zeka destekli ürün veya özelliğin sürekli insan gözetimi ve insanların modelin çıktısını temel alan kararlar almalarını sağlamak anlamına gelir. Zarar görmesini önlemek ve yapay zeka modelinin performansını yönetmek için, insanların çözüme gerçek zamanlı olarak müdahale etmek için bir yol olduğundan emin olun.

• Güvenlik: Çözümünüzün güvenli olduğundan ve içeriğinizin bütünlüğünü korumak ve yetkisiz erişimi önlemek için yeterli denetimlere sahip olduğundan emin olun.

• Müşteri geri bildirim döngüsü: Kullanıcıların ve kişilerin dağıtımdan sonra hizmetle ilgili sorunları bildirmek için kullanabileceği bir geri bildirim kanalı sağlayın. Yapay zeka destekli bir ürünü veya özelliği dağıttığınızda sürekli izleme ve iyileştirme gerekir. Bir planınız var ve iyileştirmeye yönelik geri bildirimleri ve önerileri uygulamaya hazır olun.

Kaynaklar

1. Amerikan Radyoloji Fakültesi. "ACR Uygunluk Ölçütleri." Radyoloji Amerikan Koleji, n.d. Web. 29 Ocak 2025. https://www.acr.org/Clinical-Resources/Clinical-Tools-and-Reference/Appropriateness-Criteria
2. Amerikan Radyoloji Fakültesi. "Tesadüfi Bulgular." Amerikan Radyoloji Koleji, n.d. Web. 29 Ocak 2025. https://www.acr.org/Clinical-Resources/Clinical-Tools-and-Reference/Incidental-Findings
3. Amerikan Radyoloji Fakültesi. "Raporlama ve Veri Sistemleri (RADS)." Radyoloji Amerikan Koleji, n.d. Web. 29 Ocak 2025. https://www.acr.org/Clinical-Resources/Clinical-Tools-and-Reference/Reporting-and-Data-Systems
4. Amerikan Travma Cerrahisi Derneği. "Sakatlık Puanlama Ölçeği." American Association for the Surgery of Trauma, n.d. Web. 29 Ocak 2025. https://www.aast.org/resources-detail/injury-scoring-scale
5. MacMahon H, Naidich D, Goo J ve diğerleri. CT Görüntülerinde Algılanan Olaysal Pulmoner Nodüllerin Yönetimine yönelik Yönergeler: Fleischner Society 2017'den. Radyoloji. 2017; 284(1):228-43. doi:10.1148/radiol.2017161659 - Pubmed
6. Tessler, Franklin N. ve diğerleri. "ACR Tiroid Görüntüleme, Raporlama ve Veri Sistemi (TI-RADS): ACR TI-RADS KomitesiNin Teknik İncelemesi." 2017 Amerikan Radyoloji Koleji Dergisi.
7. MIPS Nitelikli Klinik Veri Kayıt Defteri | Radyoloji Amerikan Koleji
8. Risk Puanlama ve Değerlendirme sistem kaynaklarına başvurular
   a. Yumurtalık tümörlerinde malignite indisi riski | Radyoloji Başvurusu Makalesi | Radiopaedia.org
   b. BI-RADS, C-RADS, CAD-RADS, LI-RADS, Lung-RADS, NI-RADS, O-RADS, PI-RADS, TI-RADS:Raporlama ve Veri Sistemleri - PubMed