LONDON dan POTSDAM, Jerman, 16 September 2021 /PRNewswire/ -- Sepasukan penyelidik sedang membangunkan penggunaan algoritma kecerdasan buatan (AI) dengan matlamat untuk mendiagnosis trombosis vena dalam (DVT) dengan lebih pantas dan sama berkesan seperti imbasan diagnostik yang ditafsirkan pakar radiologi yang sudah lama diamalkan, yang berpotensi mengurangkan senarai menunggu pesakit yang panjang dan mengelakkan pesakit daripada menerima ubat-ubatan yang tidak diperlukan untuk merawat DVT sedangkan mereka tidak menghidapi penyakit ini.
DVT ialah sejenis darah beku yang biasanya berlaku pada kaki yang menyebabkan bengkak, sakit dan ketidakselesaan - sekiranya tidak dirawat, ia boleh mengakibatkan pembekuan darah dalam paru-paru yang membawa maut. 30-50% daripada pesakit DVT boleh mengalami gejala dan kecacatan jangka panjang.
Para penyelidik di Oxford University, Imperial College dan University of Sheffield bekerjasama dengan syarikat teknologi, ThinkSono (yang diterajui oleh Fouad Al-Noor dan Sven Mischkewitz) untuk melatih algoritma AI pembelajaran mesin (AutoDVT) mengenal pasti pesakit yang menghidap DVT dan yang tidak menghidapinya. Algoritma AI mendiagnosis DVT dengan tepat berbanding imbasan ultrabunyi standard emas dan pasukan tersebut telah menganggarkan bahawa penggunaan algoritma ini berpotensi menjimatkan sebanyak $150 bagi setiap pemeriksaan perkhidmatan kesihatan.
"Secara tradisinya, diagnosis DVT memerlukan imbasan ultrabunyi pakar yang dilakukan oleh jururadiografi terlatih dan kami telah mendapati bahawa data awal menggunakan algoritma AI yang digabungkan dengan mesin ultrabunyi tangan menunjukkan hasil yang memberangsangkan," kata Ketua Kajian, Dr. Nicola Curry, seorang penyelidik Jabatan Perubatan Radcliffe, Oxford University yang juga klinisian di Oxford University Hospitals NHS Foundation Trust.
Ini merupakan kajian pertama yang menunjukkan algoritma AI pembelajaran mesin berpotensi mendiagnosis DVT dan para penyelidik akan memulakan kajian klinikal ketepatan ujian yang dibutakan dengan membandingkan ketepatan AutoDVT dengan penjagaan standard untuk menentukan kepekaan dalam pengesanan penyakit DVT. Harapan daripada hasil kajian ini ialah supaya AutoDVT dapat mendiagnosis dengan tepat dan lebih pantas untuk hampir 8 juta orang di seluruh dunia yang berpotensi mengalami pembekuan darah vena setiap tahun.
"Algoritma AI bukan sahaja dapat dilatih untuk menganalisis imej ultrabunyi bagi membezakan kewujudan darah beku berbanding ketiadaan darah beku - malah ia juga boleh mengarahkan pengguna yang menggunakan tongkat ultrabunyi ke lokasi yang betul di sepanjang vena femoral supaya pengguna yang bukan pakar juga boleh mendapat imej yang betul," kata ahli pasukan kajian, Christopher Deane dari Pusat Hemofilia dan Trombosis Oxford.
Pasukan penyelidikan ini berharap gabungan alat AutoDVT bersama-sama dengan algoritma AI akan membolehkan para profesional penjagaan kesihatan yang bukan pakar seperti doktor umum dan jururawat dapat mendiagnosis dan merawat DVT dengan cepat. Selain itu, ia juga membolehkan pengumpulan imej oleh bukan pakar yang boleh dihantar kepada pakar yang menjalankan diagnosis kepada mereka yang tidak boleh mendapatkan khidmat pakar.
"Pada masa ini, ramai pesakit tidak mempunyai diagnosis muktamad dalam tempoh 24 jam setelah disyaki mengalami DVT yang menyebabkan ramai pesakit akhirnya menerima suntikan yang menyakitkan, yang selalunya merupakan antikoagulan yang tidak diperlukan serta mempunyai potensi kesan sampingan," kata Dr. Curry yang juga merupakan kakitangan Pusat Haematologi Oxford.
Fouad Al Noor, Pegawai Eksekutif ThinkSono menyatakan: "Kami gembira dengan hasil kajian ini dan teruja untuk terus bekerjasama dengan Hospital Universiti Oxford serta rakan hospital yang lain bagi menguji perisian ini dan menyampaikannya kepada para pesakit di seluruh dunia."
Hasil kajian ini diterbitkan dalam jurnal npj Digital Medicine.
Laman web ThinkSono terdapat di:
www.thinksono.com
Hubungi ThinkSono untuk maklumat lanjut: Fouad Al Noor, hello@thinksono.com
Nota: Laporan penyelidikan ini boleh didapati di: https://www.nature.com/articles/s41746-021-00503-7 with DOI: https://doi.org/10.1038/s41746-021-00503-7
Foto - https://mma.prnasia.com/media2/1626577/ThinkSono.jpg?p=medium600
