Apa yang terjadi
Para peneliti di Universitas Carnegie Mellon dan UPMC mengembangkan algoritma pembelajaran mesin tanpa pengawasan untuk mengidentifikasi vaskulopati desidua pada jaringan plasenta, yang merupakan indikator utama preeklampsia pascapersalinan. Alat ini menganalisis organisasi spasial sel trofoblas ekstravilus dan sel darah merah untuk menandai kasus-kasus yang memerlukan tinjauan spesialis, yang bertujuan untuk meningkatkan tingkat skrining di AS di mana kurang dari 20% plasenta saat ini diperiksa.
Para peneliti di Departemen Teknik Mesin di Universitas Carnegie Mellon dan Departemen Patologi di UPMC mengembangkan algoritma pembelajaran mesin untuk menyederhanakan pemeriksaan plasenta untuk preeklamsia. Penelitian yang dipublikasikan di npj Digital Medicine ini menjawab tantangan bahwa kurang dari 20% plasenta di Amerika Serikat yang diperiksa setelah melahirkan karena kurangnya ahli patologi perinatal yang terlatih.
Algoritme ini berfokus pada identifikasi vaskulopati desidua, penyakit pembuluh darah ibu di plasenta yang berhubungan dengan preeklampsia pascapersalinan. Model ini menggunakan sifat transmisi cahaya yang bergantung pada noda untuk menganalisis organisasi spasial sel trofoblas ekstravili (EVT) dan sel darah merah di dalam pembuluh plasenta. Pembuluh darah yang sehat memiliki lebih sedikit EVT dibandingkan sel darah merah, sedangkan pembuluh darah yang sakit memiliki lebih banyak EVT, sehingga menciptakan pola berbeda yang dapat dideteksi oleh AI.
Fitur utama dari model ini adalah 'skor pemisahan morfologi', yang mengukur seberapa khas atau tidak biasa suatu organisasi sel. Pendekatan ini memungkinkan AI untuk tidak hanya menandai potensi penyakit tetapi juga menjelaskan dasar biologis dari kesimpulannya, yang merupakan faktor penting untuk membangun kepercayaan pada penerapan AI klinis. Para peneliti menggambarkan prosesnya mirip dengan menemukan pembuluh darah tertentu yang sakit di antara ribuan pembuluh darah sehat yang tampak serupa.
Detail sumber: medicalxpress.com ↗
Mengapa itu penting
Preeklampsia adalah penyebab utama kematian terkait kehamilan, namun kapasitas diagnosis sangat terbatas karena kurangnya ahli patologi perinatal. Alat AI ini menawarkan solusi terukur untuk mengotomatiskan pemeriksaan awal, sehingga memungkinkan ahli patologi meninjau lebih banyak kasus dan mendeteksi komplikasi pascapersalinan lebih awal. Model ini berfokus pada kemampuan menjelaskan, dengan menggunakan 'skor pemisahan morfologi' untuk menyoroti perbedaan biologis, mengatasi hambatan utama dalam penerapan klinis dengan memberikan alasan yang transparan dan bukan hasil yang tidak dapat diperoleh melalui kotak hitam.
Preeklampsia tetap menjadi penyebab utama kematian terkait kehamilan, dan komplikasi pascapersalinan dapat muncul beberapa hari atau minggu setelah melahirkan. Hambatan diagnostik saat ini adalah kapasitas manusia; tanpa skrining otomatis, banyak pasien berisiko mungkin tidak menerima identifikasi kelainan plasenta secara tepat waktu.
Pengembangan model AI yang dapat dijelaskan sangat penting untuk penerapan layanan kesehatan. Dengan memberikan perbedaan biologis yang terukur dan bukan diagnosis kotak hitam, alat ini bertujuan untuk memfasilitasi kepercayaan di antara para ahli patologi. Transparansi ini penting untuk mengintegrasikan AI ke dalam keputusan medis berisiko tinggi yang mengutamakan akuntabilitas.
Potensi dampaknya melampaui preeklampsia. Para peneliti berpendapat bahwa model AI berbasis biomarker serupa dapat diterapkan pada kondisi lain, seperti kanker dan penyakit terkait otak, di mana deteksi dini perubahan sel tertentu sangat penting untuk hasil pengobatan.
Mekanisme Interaktif: Cara Kerja Sebenarnya
Jelajahi teknologi yang mendasari di balik perkembangan ini secara interaktif.
Why can ethical evaluation not be reduced to one model score?
Apa yang harus ditonton selanjutnya
Studi validasi klinis untuk menentukan sensitivitas dan spesifisitas algoritme di lingkungan rumah sakit dunia nyata. Jalur regulasi untuk izin FDA atas perangkat lunak sebagai perangkat medis. Integrasi alat ini ke dalam alur kerja patologi rumah sakit yang ada dan dampaknya terhadap tingkat skrining plasenta secara keseluruhan.
Langkah penting berikutnya adalah validasi klinis independen untuk memastikan keakuratan algoritma pada populasi pasien yang beragam. Meskipun penelitian ini menunjukkan kelayakan teknis, kinerja dunia nyata di rumah sakit akan menentukan kegunaan klinisnya.
Persetujuan peraturan akan diperlukan sebelum alat ini dapat digunakan secara luas. Kerangka kerja FDA untuk perangkat medis berbasis AI kemungkinan memerlukan pengujian ketat untuk memastikan keamanan dan kemanjuran, yang mungkin memerlukan waktu beberapa tahun.
Sistem layanan kesehatan perlu mengevaluasi efektivitas biaya penerapan alat skrining tersebut. Jika AI dapat secara signifikan meningkatkan volume plasenta yang ditinjau oleh ahli patologi, hal ini dapat mengarah pada intervensi yang lebih dini dan peningkatan hasil kesehatan ibu.