人工智能在放射科科室管理中的临床影响:系统综述
该研究系统检索近5年三个数据库,最终仅6篇文献符合纳入标准,提示科室管理型AI证据稀缺。现有证据提示管理型AI可通过改善医疗可及性和优化临床流程直接惠及患者诊疗结局,并可用于易出错的管理流程;科学界需扩大对管理型AI的关注,尚需更多真实世界数据量化其获益。
要点
- 管理型AI指优化放射科组织、运营与管理流程的非临床AI,可影响医疗可及性与资源配置。
- 检索1486条记录仅6篇符合纳入标准,管理型AI在放射科的证据仍稀缺。
- 现有证据提示管理型AI可用于分诊、预约排程、工作列表优先级与编码计费流程。
核心结论
- 尽管研究稀缺,现有证据支持管理型AI在放射科行政应用中有前景的假设,可通过改善医疗可及性和优化临床流程直接惠及患者诊疗结局。
- 管理型AI可应用于易出错的管理流程,使医疗专业人员有更多时间用于直接临床照护。
- 科学界应扩大对管理型AI的关注,尚需更多真实世界数据量化其获益。
研究设计与样本
- 系统综述,检索PubMed、Embase、Scopus三个电子数据库,检索日期为2023年4月13日,纳入近5年发表的文献。
- 由三名独立评价者使用改编版Critical Appraisal Skills Program(CASP)清单评价记录,并按PRISMA声明报告流程。
- 检索获得1486条记录,最终仅6篇符合纳入标准进一步分析,包括文献综述、原创研究论文和通讯。
诊断标准与关键数值
- 纳入标准为评估AI在放射科应用且对科室组织或管理(患者、支付、人员、医疗资产)有影响的研究,结果可量化和/或定性表达。
- 排除仅涉及严格临床亚型AI应用(如诊断支持、基于图像的诊断AI)或所讨论技术方案不符合AI定义的研究。
- 质量评价中,A元素(该元素被恰当或充分覆盖)占比超过60%且C元素(本可覆盖或至少考虑但未覆盖)占比低于20%判定为高质量;A元素占比低于20%且C元素占比超过40%判定为质量低;其他组合为中等。
临床应用与阅片要点
- 管理型AI当前主要用于减少医疗需求波动,在急诊等非择期场景更常见,因此分诊与排程是管理型AI的重点。
- AI可用于分诊时患者分类和出院时临床风险评估,高敏感算法有助于区分危重与稳定患者。
- 机器学习结合预测性超额预约框架可显著减少加班时间、空闲时间和患者等待时间。
- AI可辅助编码与计费流程,减少放射科医生行政任务时间,使其有更多时间用于诊断和患者照护。
局限性
- 本探索性研究缺乏支持管理型AI的大量定量数据。
- 尚需进一步研究以量化其影响。
全文中译22 节 · 点击展开
引言
人工智能(AI)作为一系列颠覆性技术创新之一,被定义为机器或软件执行模拟人类智能的认知任务的能力。[1] AI被编程为像人一样思考和学习,利用广泛的数据集来解决问题并执行通常需要人类智能的任务。AI于1998年首次应用于放射学,作为计算机辅助诊断软件用于检测乳腺X线摄影中的微钙化,近年来获得了大量关注。[2] 当前的应用包括作为放射科医生辅助工具的窄任务特定智能系统,例如在基于图像的筛查中识别肺结节并将其分类为良性或恶性。[3, 4]
放射学在引领医疗保健数字化转型和满足更高效率需求方面有着良好的记录,因此率先探索了AI的潜力。放射学面临的挑战源于快速影像服务的数量、临床效用和成本,这些也推动了AI的开发和应用。
随着AI在放射学中临床应用的发展,非临床应用的机会也在不断增加,而这些机会或许一直被忽视。非临床AI解决方案,即我们在此定义的管理AI(其中管理涉及组织、运营和管理实践)[5],旨在优化放射科内部的组织流程。这可以对临床结果产生直接影响,例如扩大医疗保健的可及性和资源的合理分配。鉴于昂贵的诊断检查和干预措施数量巨大,这些解决方案对放射学尤为相关。
迄今为止,由于研究与应用之间的滞后——原因包括冗长的程序,尤其是在监管申请(如美国FDA)、临床软件集成和报销方面——应用仅限于筛查测试中的窄任务。临床AI系统并未如预期那样提高生产力,其经济优势也尚未得到证实。[6] 然而,鉴于降低管理成本是控制整体医疗保健成本的众多途径之一,管理AI系统无需像临床AI解决方案那样繁琐的程序,是在医院及其放射科的患者护理组织方面实现收益的一个有前景的领域。
重点与方法
数据库的选择基于其与医疗和健康管理记录的相关内容(PubMed、Embase、Scopus)。查阅了主要系统综述数据库以防止重复(Cochrane、PROSPERO)。灰色文献未纳入系统综述,但用于讨论其研究结果。为更好地了解管理AI在放射学中的范围,我们(E.B.、E.M.、F.M.)对文献进行了系统综述,并独立审阅了从所选数据库中检索到的记录,随机分配进行初步筛选。其余记录根据纳入和排除标准进行评估。在每个步骤结束时,我们分享各自的结果,所选记录被独立阅读和评估。审阅者之间关于论文评分的分歧经过讨论直至达成共识。
第二步结束时纳入综述的记录,依据修订版批判性评价技能计划(CASP)的定制版本进行评估,该版本是一份标准化且经过验证的清单。[7] 采用系统综述和荟萃分析优先报告条目(PRISMA)声明方法[8]透明地呈现从数据库检索至最终研究清单的流程。
研究目的
本系统综述聚焦于近期文献中用于组织管理目的的人工智能应用,而非严格意义上的临床人工智能(如基于图像的诊断支持软件)。为此,我们调查了正在开发和应用的应用程序、其定量结果以及对医院组织和治疗结果的感知获益。进一步目标是构建人工智能在行政流程中获益的概念框架,并更好地理解这些创新解决方案在放射科、放射科医师和临床决策者中的未来。
检索字符串
人工智能的定义存在相当大的混淆。人工智能(AI)、机器学习(ML)、深度学习(DL)和神经网络(NN)这些术语常被互换使用,但它们并非同义词;事实上,每一个都是更广泛术语的组成部分(图1):ML是AI的子领域,DL是ML的子领域,而NN构成DL算法的骨干。此外,NN通过一组算法模拟人脑过程,其中DL指神经网络中层的深度。ML比DL或NN更依赖于人工干预来进行学习。[1]
由于这种复杂性,我们密切关注检索字符串中MeSH术语的选择。(机器学习)和(神经网络*)作为(人工智能)概念的子系统纳入;而“数字化”和“自动化”术语被排除,因为它们不属于AI的概念范畴。设定了AI的定义和范围,检索仅限于AI应用于行政或组织流程的范围。我们决定不将“管理”一词纳入检索字符串,因为它常用于临床病例语境,且常被非英语文献不当使用。最后,我们排除了任何可归因于临床结局的表述:(诊断*)、(临床决策支持)、(疾病检测)和(临床管理)。
数据库于2023年4月13日检索,检索字符串由自由词、截词(*)和布尔连接词组成(表1)。此外,我们通过限定字符串中每个术语应出现的位置来缩小检索范围。具体而言,检索限于标题和摘要或仅标题。管理范畴通过限定“行政”、“管理”、“规划”和“运营*”术语出现在标题中进行检索。临床方法从标题和摘要中均删除,以进一步限制检索。
纳入和排除标准
这些研究评估了人工智能在放射科的应用及其对科室组织或管理(患者、支付、人员、医疗资产)的影响。研究结果以定量和定性两种方式表述。另一项纳入标准是描述放射科行政管理人工智能的未来趋势。仅调查或描述临床影响的研究也经分析以确定其结果是否也可能对研究产生影响。对研究类型或记录类型没有限制。不符合纳入标准的研究被排除。针对仅包含严格临床亚型人工智能应用(例如诊断支持、基于图像的诊断人工智能)的研究,或其所涉影响不具有组织层面影响的研究,或讨论的技术解决方案不符合人工智能定义标准的研究,制定了具体的排除标准。对临床人工智能应用作了区分,即使用临床诊断技术优化工作流程(例如消除阴性结果并优先处理阳性结果)的应用。仅描述用于辅助诊断的临床人工智能应用的研究被排除。考虑所有类型的已发表研究。通讯类文章在被认定符合纳入条件之前,特别评估其科学深度和所讨论主题的广度。最后,无法在线检索的记录被排除。
去除重复记录后,我们独立筛选了所有记录的标题和摘要。我们讨论了最终的纳入或排除,然后独立审阅了纳入研究的全文。研究筛选和纳入的概览见图2。
数据提取
提取的相关数据包括:主要作者、发表年份和研究类型。关于人工智能的具体信息包括人工智能的描述、医学应用领域(即急诊放射学、放射学、生物医学等)、诊疗路径(即分诊、诊断、后续照护、排程等)以及人工智能系统的技术方面(表3)。
研究的方法学质量使用修订版CASP评估清单进行评估[7]。由于纳入了多种类型的科学文章和研究,对CASP清单的评估选项进行了修改,以确定某一要素是否可被视为与研究类型相关,并增加了结果选项D(表2)。
评估的四种结果为:A. 考虑到所审查的研究类型,该要素得到适当或广泛的涵盖。
考虑到所审查的研究类型,该要素得到部分涵盖。
考虑到所审查的研究类型,该要素本可以涵盖,或至少加以考虑,但并未如此。
考虑到所审查的研究类型,该要素是否与研究相关而应予涵盖或考虑。
我们中的两人独立评估了这些研究,然后根据符合标准的百分比对其进行排序。根据研究类型,我们未考虑被归类为D的元素(该元素是否与研究要涵盖或考虑的内容相关)影响该百分比。如果被评为A的元素(该元素被适当或广泛涵盖)的百分比超过60%,且C(该元素本可以被涵盖,或至少被考虑,但并未如此)的百分比低于20%,则该记录被判定为高质量。如果A元素的百分比低于20%且C元素的百分比超过40%,则记录被认为质量低。所有其他组合均被列为中等。虽然该等级并未排除任何记录,但低分记录在讨论中受到不同对待。
结果
检索结果
筛选三个数据库(PubMed、Embase、Scopus)共获得1486条记录,其中两条因发表于2018年之前而被排除;去除357条重复记录;79条记录缺少DOI,导致无法获取全文进行审查。其余1048条记录通过标题和摘要进行筛选;为进一步分析而选出的36条中有33条被排除。其余3条记录符合纳入标准。此外,从参考文献中收集的其他记录被认定为可能相关,并通过引文检索对其资格进行了审查。3条记录被纳入系统评价(图2)。提取了数据,我们中的两人独立评估了记录的质量。
质量评估
使用CASP方法的一组问题进行了质量评估。得分按符合标准的百分比计算,并据此对记录进行排序(图3)。
Berlyand等[9]在其通讯中报告了来自大型研究参考数据集的证据,以确定哪些AI干预措施及后续操作可使急诊科工作流程受益。该研究的一个可能偏倚是作者所属机构和证据的地理位置相同。Chong等[10]和Verburg等[11]在其原创研究文章中报告了来自大型患者数据集的证据,方法学清晰简洁。总之,文献综述[12–14]主要关注AI在放射科科室治理中的未来作用及对医疗保健专业人员的影响。此外,这些研究分析了AI如何优化工作流程和临床结局,对管理和组织流程具有重大意义。
发现
表3概述了这些研究及人工智能应用的详细信息。具体而言,这些研究发表于2018年至2022年间,任何年份均无占主导地位的情况,包括文献综述[12–14]、原创研究论文[10, 11]和通讯文章[9]。所有研究均讨论了人工智能应用于放射学的情况,包括急诊放射学[9, 14]和择期放射学[10–13],符合纳入标准。关于磁共振成像(MRI)作为诊断技术的研究[10, 11]显得具有相关性,因为两篇原创研究论文均对此进行了探讨。人工智能最常应用和研究的诊疗路径阶段是预约调度[10, 12, 13]和分诊[9, 11]。此外,人工智能的主要类型为机器学习(ML)[9, 10, 12, 13]和深度学习(DL)[11, 12]。
当前的人工智能管理解决方案通常用于减少医疗需求的波动,这种波动在非择期环境中(如急诊室)更为普遍。因此,管理类人工智能的重点在于分诊和调度。
分诊与患者分层
人工智能对放射科的一个益处是,它能够在分诊期间为患者分类提供更快的临床数据解读,并在出院时进行临床风险评估[11, 13, 14]。基于高灵敏度算法的准确快速分诊有助于区分危重患者与稳定患者[9],并通过由深度学习和其他机器学习策略组成的“大数据”数据技术预测治疗反应[12]。
此外,已开发出自然语言处理(NLP)和机器学习模型,能够利用急诊就诊后数小时内通常可获得的数据,以极高的准确率识别疾病(如脓毒症、急性阑尾炎、流感)并进行计算机辅助诊断[9, 13]。此类分析有助于在紧急救治中更好地分配和使用资源、进行患者管理和运营。这些改进使资源与患者需求更好地匹配,从而提高时间和成本效率并改善患者预后[9, 11, 12]。患者预后的改善源于避免延误和疾病潜在恶化、合理分配资源以及数据支持的诊疗。鉴于许多发达国家人口老龄化及医疗服务成本的不断上升,维持医疗服务的可及性和可负担性具有迫切需求[10]。
此外,专科医生的工作流程以及择期预约时段内的紧急情况管理可从分诊、更快的风险分层和识别中大为获益。人工智能模型能够准确预测计算机断层扫描(CT)、MRI、X线摄影和超声的等待时间或预约延迟。向患者传达准确等待时间的能力可提高患者满意度[12]。
调度与工作流程
医院门诊预约未就诊是一个常见问题,也是全球医疗保健系统的一项昂贵负担,因为它们会导致效率低下和医疗可及性延迟[10, 13]。近期关于预约排程的研究表明,通过将机器学习(ML)与一种称为预测性超订的框架相结合,可以大幅减少加班时间、空闲时间和患者等待时间。[10, 15] 事实上,使用高维数据集训练的ML技术能够生成复杂的高性能预测模型,从而管理预约未就诊这一多层面问题。[10] 此外,研究一致认为,人工智能可通过工作列表优先级排序、错误(即遗漏)复核以及预测急诊科患者量而发挥益处。[14, 16]
此外,人工智能算法可用于指导选择哪种影像检查可能最为合适(例如,根据患者特征选择磁共振成像(MRI)而非超声)。[12] 更高的诊疗适当性以及同时减少空闲时间,可能会提高患者和工作人员的满意度。
理赔与报销处理
许多变量可能涉及被拒赔的理赔;人工智能可辅助编码和计费流程。人工智能应用可在医学编码等繁琐且重复的任务中对工作人员满意度产生积极影响。[12] 对放射科医生而言,减少花在行政任务上的时间可以腾出时间用于诊断和患者照护,这两者都有利于临床结局。
讨论
尽管关于放射科行政人工智能的数据有限,本系统综述发现了对未来令人鼓舞的证据。事实上,当前文献强调了行政人工智能在各种场景中的潜力。在此基础上,我们开发了一个框架,按患者路径要素对行政人工智能的主要应用进行了总结(图4)。
在我们讨论对医院管理者和决策者的战略与运营意义之前,需要先解决人工智能实施中的三个问题:伦理影响、成本和障碍。[17, 18]
伦理影响与总体满意度
预约排程和日程管理是影响放射科效率的主要因素之一。人工智能在复杂预测模型中可以提前识别合适的检查[10, 12–14]。医生空闲时间和患者等待时间(以及等待名单)的减少,会使工作人员和患者同样获得更高的满意度[19]。此外,简化患者路径和急诊放射学诊断流程可能带来更好的健康结局[14, 16]。
然而,如果管理不善,人工智能可能会带来严重的伦理影响。尽管人工智能在伦理上是中立的,但人类程序员可能无意中引入认知和算法偏见,从而影响其有效性。人工智能反映其训练数据的质量。例如,在原始数据集中代表性不足的少数族裔可能导致软件中的种族偏见。当目标是最小化调度成本时,可能会产生意外的种族差异:例如黑人患者不得不比非黑人患者多等待约30%。[15] 这种偏见在多种族背景下尤为明显。因此,在将人工智能引入其组织时,管理者需要问自己关键问题并采用种族意识目标。此外,医疗保健组织应在现实环境中测试算法,并采用人在回路(human-in-the-loop)模式,由人类提供一致的反馈,人工智能系统可以从中学习。[13] 更重要的是,用于人工智能训练的人群人口统计学特征需要与目标人群保持一致。[15, 20, 21]
医疗保健组织也可以使用匿名化的患者数据,但人工智能系统日益增加的复杂性需要更多数据来学习。这意味着匿名化的风险以及私营公司(误)使用机器所需数据的风险。[20] 因此,各个国家也需要立法努力来制定隐私法规并促进新技术的有效使用。
应用行政管理人工智能的成本高昂
医疗保健组织采用人工智能需要相当大的经济投资。正确地对人工智能进行经济评估尤其困难,因为目前无法捕捉复杂性和临床适用性的维度以支持适当的决策。因此需要定义适当的人工智能评估模型。[22] 除了技术直接产生的成本外,医疗管理者还必须考虑间接成本和员工培训时间[23]。直接参与人工智能使用的人员以及将使用人工智能生成的管理报告的人员必须得到充分的培训和更新。
此外,希望在放射科实施人工智能的医疗保健组织需要意识到作为早期采用者的缺点[24, 25]。除了新技术的高成本和人员培训的辅助成本外,早期采用还涉及与组织中新旧技术兼容性相关的成本。这种现象在新技术的描述中有所体现,即第一代技术尚未产生其全部效益,而技术很快过时的风险也存在。第二代技术可能克服某些问题,并可能激励早期而非后期投资[26]。
尽管如此,作为早期采用者也有其优势,例如,医疗保健组织的高可见度。此外,创新者可以成为开发人工智能的公司的相关资源,允许他们改进和优化产品,提供竞争优势。[24]
引入的障碍
与所有突破性创新一样,人工智能工具必须克服实施障碍,例如采用和培训成本、临床医生对接受工作变化的犹豫、工作标准化程度提高以及组织治理中的咨询性专业领导。[9, 13]此外,机器学习模型需要用关于机构工作流程实践、患者人口统计学和设备的更新数据进行定期重新评估。[10]人工智能是一项需要资源才能产生经过验证的输出的投资。此外,由于数据可得性,某些模型比其它模型更有可能在短期内得到实施。[9]
然而,伦理影响可能构成障碍,使人工智能在医疗保健中的全部潜力无法发挥。有效的治理是应对人工智能众多挑战并在其采用过程中抵消抑制因素和减缓因素的关键。[13]
总之,医院系统之间的技术异质性和不兼容性可能会使依赖人工智能的医疗提供者产生犹豫。[9]当前的机器学习解决方案对特定病例的应用范围狭窄,并且通常针对设施的需求量身定制。[10]
对临床管理者和决策者的启示
在医院放射科实施人工智能可对绩效和运营产生影响。本综述的证据提示了一个概念框架,该框架从三个维度系统梳理人工智能对放射科管理的潜在影响(正面或负面):患者流动、支付和报销流程以及服务提供(图5)。
患者流动
对影像服务的需求已超过扩大生产能力所需的资源。[27, 28]这导致择期和急诊患者流动出现瓶颈,并导致等待名单延长。[29]从临床和行政角度看,等待会给住院或门诊接诊和照护带来多个并非无关紧要的外部性。[28, 30] prolonged waiting and delays可加重患者的临床状况。鉴于照护复杂性更高,这意味着医疗系统(医生、药物、治疗、时间)和患者自身(时间和资源、药物和治疗、个人经济损失)需要为临床病例投入更多资源。这反过来又会降低患者满意度,并使资源从公共部门转向私营部门。然而,实施良好的人工智能可以预测临床并发症、估计需求波动,并提前识别哪些患者将需要更多资源,从而对照护质量和照护结局(适宜性)产生直接影响[31]。从管理角度看,这些临床影响转化为更短的住院时间和防止预约延长扰乱整体议程。[32]这些变量可以改善患者和照护者的满意度。[27, 33]
此外,人工智能的预测能力通过考虑患者取消就诊或爽约的概率,可以改善预约安排。[27, 33] 这改善了医护人员议程的管理以及有限资源的使用,如昂贵的机器、技术和最终的空间。在日常临床实践中,这可以转化为减少医护人员的空闲时间,以及减少因议程和空间规划不当而需要安排加班的情况。在定量和经济层面,这可以提高用于提供服务的资源效率,降低长期管理成本。[27]
在创新工作环境中,员工时间管理的改善可以提高人员满意度和赋权感。此外,有研究发现医护人员工作满意度与整体患者满意度之间存在联系,以及在日常任务中采用更加以患者为导向的方法[34–36],从而在利益相关者之间形成满意度的良性循环。
支付与报销
对系统经济可持续性影响最大的因素之一是支付和报销流程。人工智能凭借其对并发症和患者爽约的预测能力,可以实现更好的经济报告和会计核算[10, 32]。
服务提供
医疗机构经济可持续性的另一个方面是减少浪费。正如预约安排的优化涉及使用预测方法来减少医疗需求的波动一样,库存和库存浪费也可以通过类似方式加以解决。基于人工智能和机器学习的新型存储工具可以通过大数据分析追踪即将过期的物资并使货物采购与实际需求相匹配,从而帮助机构。[10] 这种改进的资源管理也可以产生直接的临床结果,因为所用材料受到更仔细的监测。
结论
在放射科实施行政人工智能有可能大幅改变和改善工作流程和临床结果,并为组织流程带来其他益处。放射科医生应该对这些处于专业活动变革前沿的新技术感到振奋,其目标是改善对患者的诊断和治疗护理。此外,迄今讨论的人工智能应用不仅会影响放射科,还会影响整个医疗机构。为放射科开发的行政人工智能应用可以很容易地移植到医疗机构的其他部门(例如,计费和报销、排程等)。我们的发现和我们开发的框架可以在这方面提供帮助。
最后,过去十年医疗领域人工智能市场的增长伴随着科学研究发表数量的增加;然而,很少有研究关注人工智能在医院行政和管理方面的解决方案。尽管当前文献强调了行政人工智能的潜力,但我们发现很少有证据表明其在定量结果方面有所改善。需要通过纵向研究和随机对照试验来量化行政人工智能的潜在益处,以获得可靠的实施证据。
局限性
该系统综述本质上是探索性的,缺乏支持行政人工智能应用的广泛定量数据。由于这些技术发展相对较新,需要进一步研究以量化其各自情境下的影响。
引用
- Buijs E, Maggioni E, Mazziotta F, et al. Clinical impact of AI in radiology department management: a systematic review. Radiol Med. 2024. PMID: 39243293. doi:10.1007/s11547-024-01880-1
- 全文:PMC11554795(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11554795/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。