– مرور سیستماتیک و متاآنالیز کارآزماییهای بالینی تصادفیسازی شده (RCTs) که هفته گذشته در پزشکی الکترونیکی نشان داد که کولونوسکوپی با کمک هوش مصنوعی (AI) ممکن است تشخیص نئوپلازی کولورکتال را افزایش دهد.
این کار به دنبال ارزیابی مزایا و معایب بالقوه استفاده از سیستمهای با کمک هوش مصنوعی در طول کولونوسکوپی بود. محققان خاطرنشان کردند که استفاده از این فناوریها برای کمک به تشخیص نئوپلازی کولورکتال، پتانسیل بهبود نرخ تشخیص آدنوم (ADRs) و کاهش میزان از دست دادن آدنوم (AMRs) را دارد. با این حال، نتایج در سراسر مطالعات مخلوط شده است.
برای مقایسه با کمک هوش مصنوعی با کولونوسکوپی استاندارد برای تشخیص نئوپلازی کولورکتال، تیم تحقیقاتی از عبارات و کلمات کلیدی سرفصلهای موضوع پزشکی (MeSH) برای انجام جستجوی ادبیات الکترونیکی در پایگاههای اطلاعاتی Embase، Medline و کتابخانه Cochrane استفاده کردند. این پایگاههای اطلاعاتی برای شناسایی کارآزماییهای تصادفیسازی و کنترلشده مرتبط از ابتدای هر پایگاه داده تا ۴ اکتبر ۲۰۲۳ مورد بررسی قرار گرفتند.
پیامدهای اولیه ارزیابیشده AMR، ADR و آدنومهای شناساییشده در کولونوسکوپی (APC) بودند، در حالی که پیامدهای ثانویه شامل نرخ تشخیص از دست رفته پولیپ (PMR)، نرخ تشخیص پولیپ (PDR) و پولیپهای شناساییشده در هر کولونوسکوپی (PPC) بود.
تجزیه و تحلیل شامل 33 RCT با 27404 بیمار بود.
تیم تحقیقاتی دریافت که بیمارانی که تحت کولونوسکوپی با کمک هوش مصنوعی قرار میگیرند، کاهش قابلتوجهی در PMR و AMR – به ترتیب 52.5 و 50.5 درصد – در مقایسه با همتایان خود که کولونوسکوپی استاندارد دریافت کردهاند، تجربه کردند.
علاوه بر این، محققان افزایش قابل توجهی در میزان PDR، ADR، PPC و APC در گروه کولونوسکوپی با کمک هوش مصنوعی مشاهده کردند. ADR و PDR شاهد افزایش نسبی 24.2 و 23.8 درصدی بودند، در حالی که APC و PPC شاهد افزایش 39 و 38.8 درصدی بودند.
این افزایش ها منجر به 0.271 PPC بیشتر و 0.202 APC بیشتر پرچمدار شده به طور متوسط شد. میانگین زمان بازرسی نیز 20 ثانیه افزایش یافت.
این مطالعه تاکید کرد که برخی از جمعیتها ممکن است از کولونوسکوپی با کمک هوش مصنوعی سود بیشتری ببرند، مانند بیماران جوانتر با شاخص توده بدنی پایینتر (BMI)، و همچنین آندوسکوپیستها با ADR یا PDR کمتر و زمان بازرسی کوتاهتر.
عواملی مانند زمان روز، بیهوشی و آمادهسازی روده تأثیر قابلتوجهی بر اثربخشی کولونوسکوپی با کمک هوش مصنوعی در RCTهای بررسیشده داشتند.
این یافتهها نشان میدهد که کولونوسکوپی با کمک هوش مصنوعی ممکن است به طور قابلتوجهی تشخیص بیماران مبتلا به آدنوم پیشرفته، بهویژه آنهایی که ضایعات غیر نئوپلاستیک دارند، بهبود بخشد. استفاده از ابزارهای هوش مصنوعی همچنین ممکن است باعث افزایش قابل توجهی در تشخیص آدنومهای کوچک شود که میتواند منجر به افزایش استراتژیهای نظارتی و کاهش خطر ابتلا به سرطان روده بزرگ (CRC) شود.
علیرغم این نتایج امیدوارکننده، تیم تحقیقاتی تاکید کرد که مطالعات بیشتری برای ارزیابی مقرون به صرفه بودن و مزایای بلند مدت استفاده از کولونوسکوپی با کمک هوش مصنوعی برای کاهش بروز سرطان مورد نیاز است.
تحقیقات دیگر همچنین پتانسیل هوش مصنوعی برای بهبود مراقبت از CRC را بررسی کرده است.
تحقیقات تحت رهبری کلینیک مایو که در سال گذشته به اشتراک گذاشته شد نشان داد که یک چارچوب یادگیری عمیق (DL) می تواند پیش بینی عود و بقا در بیماران CRC را افزایش دهد.
پیشبینی دقیق عود سرطان در CRC برای بهبود نتایج و نرخ بقای بیمار بسیار مهم است، اما انجام این پیشبینیها به عوامل متعددی متکی است که چالشی را برای پزشکان ایجاد میکند. برای مبارزه با این، محققان مدلی برای پیش بینی عود سرطان با استفاده از تصاویر تومور ایجاد کردند.
این مدل به عملکرد پیشبینی بالایی دست یافت و بیمارانی را که ممکن است به درمان شدید نیاز داشته باشند یا ممکن است نیاز نداشته باشند، به دقت شناسایی میکند.