forrás: Beauchamp, N.J., Bryan, R.N., Bui, M.M. et al. Integrative diagnostics: the time is now—a report from the International Society for Strategic Studies in Radiology. Insights Imaging 14, 54  (2023). https://doi.org/10.1186/s13244-023-01379-9

A diagnosztika túlnyomó részét végző radiológiai, laboratóriumi és patológiai osztályok jelenleg központi szerepet játszanak az orvosi diagnosztikában. Szakterületeink azonban nem működtek integrált egységként. Inkább hatalmas adatok és rendkívüli intradiszciplináris szakértelem elszigetelt egységei vagyunk, amelyeket egymástól és klinikai kollégáinktól informatikai, fizikai és szakmai korlátok választanak el. Nem integráltuk adatainkat, és nem közöltük azokat összehangoltan klinikai kollégáinkkal, ehelyett azt vártuk, hogy a klinikusok maguk integrálják és értelmezzék ezeket az adatokat. Bár hatalmas potenciális értéket képviselnek, petabájtnyi adataink egyre inkább túlterhelik a szolgáltatókat és a rendszereket, mivel "átdobjuk a munkánkat a kerítésen", és reméljük, hogy valaki rájön, mit jelentenek ezek. Az egyes egészségügyi szolgáltatók számára lehetetlen, hogy elvégezzék ezt az összetett feladatot. Az ID - Integratív diagnosztika segítő kezet nyújthat ebben.

Az ID - integratív diagnosztikában a radiológusok, patológusok és más diagnosztikusok szakemberek csapatként dolgoznak, közös hozzáférésük van a folyamatosan frissített betegadatokhoz, amelyekből a szakértők és a CDS-eszközök (Clinical decision support - klinikai döntéstámogatás) kivonják a releváns klinikai információkat, és dinamikus differenciáldiagnózist, kezelési utakat alakítanak ki. Tekintettel a vizsgálatok adataink mélyreható ismeretére, a diagnosztikai leletek patobiokémiai és fiziológiai alapjainak megértésére, a technológiai készségekre, valamint az erős informatikai erőforrásokra és szakértelemre, a radiológiának és a patológiának vezető szerepre kell törekednie az ID-környezetben.

Egy intelligens informatikai infrastruktúra, amely az egyéni és populációs adatokat hasznosítja, nagymértékben kiegészítheti a hagyományos emberi elemzést. A diszkrét adatokat tartalmazó integrált strukturált jelentések kritikus fontosságúak az adataggregáció szempontjából, ami a kimeneti adatokkal együtt lehetővé teszi a front-end CDS-rendszerek fejlesztését és optimalizálását.

A mesterséges intelligenciát és a gépi tanulás módszertanát magában foglaló CDS-eszközök valós idejű valószínűségi differenciáldiagnózisokat biztosíthatnak a beutalóorvosoknak az egyes betegeik számára, és lehetővé teszik a kezelések kidolgozását bizonyos betegségekre és nagy populációkra. Sajnos sok CDS-rendszer monodiszciplináris, idő előtt elavult és a hatékony klinikai munkafolyamatokkal összeegyeztethetetlen.

A modern egészségügyi informatikának teljesen integrált CDS-eszközöket kell kifejlesztenie, amelyek multidiszciplinárisak, folyamatosan frissülnek és a helyi helyzethez igazodnak. Ezek az új irányítási paradigmák bezárhatják a hurkot a posztanalitikus fázisból vissza a preanalitikus fázisba azáltal, hogy a beutaló orvosnak a legmegfelelőbb vizsgálatokat javasolják a következő, hasonló problémakörrel rendelkező beteg számára. Ezen túlmenően ezek az információk segíthetnek az egészségügyi ellátórendszereknek azonosítani a legterhesebb és legrászorultabb betegeiket a proaktív egészségügyi kezelés érdekében.

Példák az integratív diagnosztikára:

...bővebben, további részletek a cikkekben:

1. Journal of the American College of Radiology (DOI: 10.1016/j.jacr.2022.11.015)
2. Insights into Imaging (DOI: 10.1186/s13244-023-01379-9).