Yapay Zeka Teknolojisi ile Retina Hastalıklarının Otomatik Teşhisi- 2
Okuma:519
Yapay Zeka Teknolojisi ile Retina Hastalıklarının Otomatik Teşhisi- 2
Günümüzde retina teşhisi için YZ kullanımının karşılaştığı zorluklar
b-Düzenleyici
YZ sistemleri FDA ile zorlu bir savaşla karşı karşıya kaldı. Bununla birlikte, asıl meseleler, bu noktada kendini kanıtlamış olan temel hastalık tespit/teşhisi teknolojisi değildir. Ayrı deneme ve FDA onay süreci söz konusudur. Ardından yeni bir hastalık tespit algoritması eklenerek her kamerada tekrar deneme yapılmalıdır.
Bu yüzeyde gereksiz gibi görünse de öyle değildir. Farklı kameraların çok farklı görüntü özellikleri ve derecelendirile bilirlik oranları vardır. Bu, sadece doğrusal veya üstel değil, “faktöriyel” bir problem haline gelir. Günümüz pazarında düzinelerce yaygın kamera piyasada ve yeni, geliştirilmiş kameralar ekleniyor. Otomatik bir sistemin taşınması genellikle yeni (onaylı) bir kamera satın alınmasını gerektirdiğinden, bu düzenleyici sorun benimsemeyi ciddi şekilde sınırlar.
Çoğu yazılımda olduğu gibi, yineleme ilerlemenin anahtarıdır. Bu, özellikle yeni olan ve hızla büyüyen yapay zeka alanında geçerlidir. Mevcut düzenleyici ortam bu süreci engelliyor ve bu umut verici teknolojinin geliştirilmesi ve benimsenmesi için bir engel oluşturuyor.
c-Kodlama
Geçen yıl, dört CPT ayarlamasının neden olduğu DR için yapay zekadan yararlanan geri ödeme ortamında bir değişiklik oldu. İlk olarak, "otomatik" bir retina tarama kodunun tanıtılması uzun zamandır beklenen bir adımdı (CPT 92229). Ayrıca, dört kodun tümü için ifade ve geri ödeme seviyelerinde değişiklikler olmuştur (Tablo).
Tablo. Diyabetik retinopati tanı kodlama ve geri ödeme
|
CPT Kodu |
Tanım |
Medicare Geri Ödemesi |
|
92250 |
Fundus fotoğrafçılığı |
Doktor muayenehanesinde (Medicare): 39,78$ Hastanede Ayaktan Hasta: 111,95$ |
|
92227 |
Hastalığın tespiti veya izlenmesi için retinanın görüntülenmesi; uzaktan klinik personel incelemesi ve raporu, tek taraflı veya iki taraflı |
Doktor muayenehanesinde (Medicare): 16,05 $ Hastane Ayakta Hasta: 33,84$ |
|
92228 |
Hastalığın tespiti veya izlenmesi için retinanın görüntülenmesi; uzak doktor veya diğer nitelikli sağlık profesyonellerinin yorum ve raporuyla, tek taraflı veya iki taraflı |
Doktor muayenehanesinde (Medicare): 31.06$ Hastanede ayakta tedavi: 33.84$ |
|
92229 |
Hastalığın tespiti veya izlenmesi için retinanın görüntülenmesi; bakım noktası otomatik analiz ve rapor, tek taraflı veya iki taraflı |
Doktor muayenehanesinde (Medicare): 28,42 $ - 55,00 $ Yerel MAC Hastanesi Poliklinik başına: 55,66 $ |
|
|
||
Şu anda CPT 92229, otomatik AI teşhisi ve bakım noktası raporlaması için uygun koddur. Bunun, en azından başlangıçta, anında (bakım noktası) teşhis raporlaması gerektirdiğini unutmamak önemlidir.
Piyasadaki şu anda FDA onaylı sistemlerle bu, görüntünün çekildiği anda, saniyeler içinde "hafiften fazla" yönlendirilebilir. DR ile "DR yok" teşhisinin hemen verileceği anlamına gelir. Bununla birlikte, yalnızca DR için onaylanan mevcut YZ sistemlerinin dar teşhis kapsamı nedeniyle YZ bakım noktası analizinden sonra bile tarama görüntülerini bir doktorun gözden geçirmesi iyi bir seçenektir.
Yine de çoğu tarama programı, hastalarının glokom, maküler dejenerasyon, papilödem ve bariz tümörler ve retina dekolmanları gibi tüm yaygın görmeyi tehdit eden arka segment hastalıkları için taranmasını gerektirir. Bir görüntüde yer alan tüm patolojileri teşhis etmenin en iyi tıbbi uygulama olduğu açıktır. Yapay zeka, bunu kapsamlı bir şekilde gerçekleştirecek kadar gelişmiş değilken, insan tasnifçiler bu yeteneğe sahiptir.
Yalnızca ayakta tedavi gören hastanelerde en fazla geri ödemenin 92229 olduğu unutulmamlıdır. Ancak, geri ödeme, bu yerlerdeki Medicare yüklenicileri tarafından belirlendiğinden, hastane dışı ortamlarda geri ödeme daha azdır. Medicaid eyalet bazında belirlenir ve çoğu durumda Medicare'den daha düşüktür. Bu kafa karıştırıcı ve düzensiz geri ödeme ortamı, bir bütün olarak diyabetik tarama pazarı için bir meydan okumadır.
CPT 92250, birincil bakım/göz dışı bakım ayarlarında faturalandırılan birincil kod, ters rüzgarlarla karşı karşıyadır. Günümüzde geri ödemeler azaldı ve bazı ödeme yapanlar, göz muayenesi ve göz sağlığı hizmeti sağlayıcısı sınıflandırması ile bağlantılı olmadığında artık bunu ödememektedir.
d- Gelecek
Şu anda biraz daha uygun geri ödeme politikası nedeniyle, DR için YZ sistemlerinde benimsenmede bir artış görebiliriz. Kapsamlı retina teşhis yeteneğinin (insan doktorların başarabileceği) devam eden eksikliği vardır, ayrıca şu anda insanların YZ sistemlerinin gerçek maliyetinden çok daha ucuz olabileceği gerçeği de unutulmamlıdır. Yapay zeka algoritmalarının birçok kamera türünde kolayca gezinebildiğini ve diğer patolojilere kolayca genişleyebildiğini görene kadar, ters rüzgarlar olacaktır. Ayrıca, bu değişiklikler yapılabilirse, FDA'nın bunu yansıtmak için düzenleyici yolları ayarlamasını görmemiz gerekir. Bu noktada, bu faktörlerin her ikisi de daha uzun vadeli hedeflerdir.
Bununla birlikte, YZ'nın daha da yararlı ve elde edilebilir olabilecek başka kullanımları vardır. Tıbbi görüntülemenin yukarı akış YZ yardımı da olacaktır. Mevcut işlem sonrası YZ tekniklerini kullanarak görüntü kalitesi önemli ölçüde iyileştirilebilir. Görüntü artefaktlarının ortadan kaldırılması, büyütülmüş bir görüş alanı ve daha kolay/hızlı görüntü alımı alanımız için önemli adımlar olacaktır. Bu teknoloji günümüzde mevcuttur ve radyoloji gibi tıbbın diğer alanlarında kullanılmaktadır. Bunun bir örneği, YZ destekli son işleme veya ön işleme ile fundus görüntüleri için video görüntüsü yakalamadır. Bu, YZ'nın en iyi görüntüleri ve görüntülerin en iyi bölümlerini belirlemesi ve bunları yüksek kaliteli, artefaktsız, genellikle geniş açılı bir görüntü oluşturmak için bir araya getirmesiyle, saniyeler içinde yüzlerce görüntüyü yakalamak için kısa yüksek kaliteli videolar kullanır.
Sonuç
Retinal görüntülerin otonom YZ yorumlanması hala muazzam bir umut vaat ediyor. Hayatta sık sık gördüğümüz gibi, vaat edilen beklentilere ulaşmak çoğu zaman beklediğimizden çok daha uzun sürebilmektedir.
[Kaynaklar: 1-Karth P, Ophthalmology Management 2021: 25 (September): 40-42. 2- Gulshan V, Peng L, Coram M, et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016;316(22):2402-2410.]
Not: Katkılarından dolayı Dr. Mehmet ÇITIRIK’a teşekkür ederiz.
Web sitesindeki bu bilgiyi, sunu ve yayınlarınızda aşağıdaki şekilde kaynak göstererek kullanabilirsiniz.
(Çıtırık M, Teke MY. Yapay Zeka Teknolojisi ile Retina Hastalıklarının Otomatik Teşhisi- 2. http://www.retinaclub.com/ Son Güncellenme Tarihi 01/01/2023).
