Mga nadagdag:
- Kakayahang ibuod at bigyang-priyoridad ang mga resulta ng hemogram, biochemistry at urinalysis sa hanay ng sanggunian ng species/lahi, na sinusuportahan ng AI
- Kakayahang i-cross-validate ang interpretasyon ng AI na may hanay ng sanggunian, kalidad ng sample at klinikal na larawan
- Kakayahang maunawaan na ang mga saklaw ng sanggunian ay nag-iiba depende sa device at uri, ang AI ay hindi gumagawa ng mga numero, at ang huling desisyon ay nakasalalay sa manggagamot.
Ang laboratoryo ay isang interpreter na nagpapalit ng hindi nakikita sa mga numero. Ang isang hemogram (kumpletong bilang ng dugo; ang bilang at ratio ng mga selula ng dugo), isang biochemistry panel (mga pagsusuri sa dugo na nagpapakita ng function ng organ), o isang urinalysis ay maaaring magbunyag ng kidney failure, isang impeksiyon, o isang metabolic disease na hindi matukoy ng pagsusulit. Ngunit ang resulta ng laboratoryo lamang ay hindi isang diagnosis; ay isang piraso ng palaisipan. Ang artificial intelligence (AI) ay isang mabilis na tulong sa pag-aayos ng mga pirasong ito, pag-highlight ng mga out-of-reference na halaga, at pagbubuod ng mga trend. Ngunit mayroong isang kritikal na panuntunan dito: nag-iiba-iba ang mga saklaw ng sanggunian ayon sa species, lahi, edad at device. Kung ipagpalagay ng AI ang isang pangkalahatang hanay, magbubunga ito ng maling interpretasyon. Sa unit na ito, matututunan mo kung paano ibubuod at bigyang-priyoridad ang mga resulta ng laboratoryo nang ligtas gamit ang AI. Ang manggagamot ang nakakakita ng klinikal na larawan na ginagawang isang diagnosis ang resulta.
Saklaw ng sanggunian: ang konteksto ng lahat
Kung ang isang value ay "mataas" o "mababa" ay depende sa kung saang reference range ito tinitingnan. Ang mga hanay na ito ay iba sa mga pusa at aso, mga kuting at matatandang tao, at maging sa iba't ibang mga aparato ng analyzer. Halimbawa, ang normal na halaga ng hematocrit ng isang greyhound ay mas mataas kaysa sa ibang mga lahi ng aso; Lumilitaw itong "mataas" na may kaugnayan sa isang pangkalahatang hanay ngunit normal para sa lahi. Kapag nag-interpret ng mga value sa AI, tiyaking ibigay ang reference range at uri ng device na iyong ginagamit. Kung hindi, maaaring ilakip ng AI ang maling "abnormal" na label batay sa isang average na hanay na natutunan nito mula sa internet.
Mag-ingat: Ang AI ay hindi nagsasagawa ng numerical analysis mismo; Ine-edit nito ang mga numero at hanay ng sanggunian na ibinigay mo. Maaari itong magkamali kung hihilingin na "magkalkula" ng isang halaga. Gamitin lang ang AI bilang isang buod, prioritization at tool ng organisasyon.
Sample na kalidad: basura sa loob, basura sa labas
Ang pagiging maaasahan ng isang resulta ng laboratoryo ay nakasalalay sa kalidad ng sample. Ang hemolysis (pagkasira ng mga pulang selula) ay maling nagpapataas ng potasa at ilang halaga ng enzyme; ang lipemia (labis na taba sa dugo) ay nakakagambala sa ilang mga sukat; ang clot ay nagpapahiwatig ng mababang bilang ng platelet; Ang maling storage ay nagbabago ng mga halaga. Hindi alam ng AI ang mga pre-analytical na error na ito; Pinoproseso nito ang numerong nakalagay sa harap nito kung ano ito. Samakatuwid, dapat suriin ng doktor ang kalidad ng sample bago bigyang-kahulugan ang resulta.
Hakbang-hakbang: Buod ng lab na may AI
- Kolektahin ang konteksto. Mga species, lahi, edad, kasarian, klinikal na reklamo.
- Magdagdag ng reference ng device. Para sa bawat parameter, ibigay ang sariling reference range ng device.
- Suriin ang kalidad ng sample. Mayroon bang hemolysis, lipemia, clot?
- I-highlight ang mga hindi-reference na halaga. Hilingin lamang sa AI na mag-flag ng mga anomalya.
- Itugma sa klinikal na larawan. Basahin ang mga halaga kasama ang inspeksyon at reklamo.
- Panoorin ang uso. Ihambing sa mga nakaraang resulta at tukuyin ang direksyon.
- Ang doktor ang gumagawa ng interpretasyon. Ang mga desisyon sa diagnosis at paggamot ay pag-aari ng manggagamot.
tatlong mini case
Kaso 1. Ang isang 14 na taong gulang, 3.8 kg na pusa ay may creatinine 3.4 mg/dL (reference ng device 0.8–2.4), urea 78 mg/dL (reference 16–36), mataas ang SDMA. Itinampok ng AI ang tatlong value na ito bilang "sa itaas na sanggunian, maaaring nauugnay sa paggana ng bato" at gumawa ng trend chart na may mga dating value. Sinuri ng manggagamot ang density ng ihi at klinikal na larawan at ginawa ang pagtatanghal ng dula. Na-edit ng AI; komento ng doktor.
Kaso 2. Ang potasa sa isang aso ay umabot sa 7.1 mmol/L at ang AI ay minarkahan ng "severe hyperkalemia". Napansin ng manggagamot ang makabuluhang hemolysis sa sample; Sa sample na kinuha muli, ang halaga ay 4.6 mmol/L (normal). Ang AI ay tumingin lamang sa numero; Nahuli ng manggagamot ang pre-analytical error.
Kaso 3. Ang isang greyhound ay may hematocrit na 58%; Ang AI ay "mataas" na may kaugnayan sa pangkalahatang sanggunian ng aso, aniya. Naalala ng doktor ang sanggunian na partikular sa lahi at sinuri ang halaga bilang normal. Ipinapakita ng kasong ito na maliligaw ang AI kung ang device at lahi ay hindi isinangguni.
Isang tsart ng paghahambing
input
Ang output ng AI
Panganib
Walang ibinigay na reference sa device
Magkomento ayon sa pangkalahatang saklaw
Maling abnormal/normal
Hindi tinukoy ang mga species/lahi
Mean type assumption
Maling pag-label
Hindi alam ang kalidad ng sample
Pinoproseso ang numero kung ano ito
Nananatiling nakatago ang pre-analytical error
Hindi ibinigay ang klinikal na larawan
Isolated number interpretation
Nang walang konteksto, nakaliligaw
Apat na maaaring kopyahin na mga template
Tungkulin: Laboratory summary assistant (hindi ka nag-diagnose, nag-e-edit ka).Context: Species [...], lahi [...], edad [...], reklamo [...].Gawain: Ayusin ang mga resulta sa ibaba ayon sa mga saklaw ng sangguniang instrumento na IBINIBIGAY KO; markahan at pangkatin lamang ang mga NON-reference na halaga (hal. bato, atay, electrolyte). Panatilihin ang komento sa "posibleng" wika. Mga resulta (halaga + sanggunian): [...]
Gawain: Gumawa ng trend table at buod ng direksyon ng mga value ng [parameter] mula sa mga sumusunod na iba't ibang napetsahan na resulta (tumataas/bumababa/stable). Paggawa ng klinikal na interpretasyon at diagnosis. Numerical trend lang. Resulta: [...]
Gawain: Sa hanay ng resultang ito, markahan ang mga halaga na nagdudulot ng hinala ng pre-analytical error (hemolysis, lipemia, clot, starvation) at isulat ang "dapat kumpirmahin ang kalidad ng sample". Mga resulta: [...]
Gawain: Itugma ang mga sumusunod na abnormal na halaga sa mga klinikal na natuklasan at ilista sa "posible" na wika kung aling differential diagnosis ang sinusuportahan nila. Tiyak na patotoo; Ang doktor ay gagawa ng desisyon sa pamamagitan ng pagsusuri at pagsusuri. Mga halaga + natuklasan: [...]
Mahinang prompt / Malakas na prompt
Mahina: "I-interpret ang mga resulta ng dugo na ito, ano ang pasyente?"
Malakas: "13 taong gulang, neutered na babaeng pusa, nagrereklamo ng pagbaba ng timbang. Ayusin ang mga sumusunod na halaga ayon sa mga sanggunian ng instrumento na IBINIBIGAY KO, pangkatin lamang ang mga hindi sanggunian, i-flag kung may pagdududa ang kalidad ng sample. Huwag gumawa ng isang tiyak na diagnosis; Ibibigay ko ang kahulugan gamit ang klinikal na larawan. Creatinine 3.4 (0.8–2.4), (0.8–2.4), (0.8–2.4), (0.8–2.4), T4 .. 6.8.
Ang uri, saklaw ng sanggunian at limitasyon ay ibinibigay sa malakas na prompt; Ang gawain ng AI ay limitado sa regulasyon.
Mga karaniwang pagkakamali
- Hindi pagbibigay ng sanggunian ng device. Mali ang mga label ng AI batay sa pangkalahatang hanay.
- Pag-alis sa konteksto ng species/lahi. Mga pagkakaiba-iba ng lahi tulad ng greyhound hematocrit escape.
- Hindi pinapansin ang kalidad ng sample. Ang mga halaga ng hemolysis/lipemia ay nagpapakita ng huwad.
- Pag-uugnay ng diagnosis sa nakahiwalay na numero. Ang halaga ay nakakakuha ng kahulugan sa klinikal na larawan.
- Paggawa ng AI "kalkulahin" na mga numero. Nagkakamali ang AI sa pagkalkula; Siya ang nag-aayos, ikaw ang nagkalkula.
Mga halaga ng panic at napapanahong interbensyon
Ang ilang mga halaga ng laboratoryo ay napakahalaga na nangangailangan sila ng interbensyon sa sandaling makita ang mga ito; ang mga ito ay tinatawag na panic value (kritikal na halaga). Halimbawa, ang masyadong mataas na potassium (hyperkalemia) ay maaaring makagambala sa ritmo ng puso at humantong sa biglaang pagkamatay; masyadong mababa ang asukal sa dugo (hypoglycemia) ay maaaring humantong sa mga seizure at coma; Ang isang matinding hypercalcemia o isang napakababang hematocrit ay nangangailangan ng agarang pagsusuri. Kapag nagbubuod ng isang set ng resulta, maaaring i-highlight ng AI ang mga naturang halaga at markahan ang mga ito bilang "kagyat na atensyon"; Ito ay isang kapaki-pakinabang na paalala upang maiwasang mawalan sa isang abalang araw.
Gayunpaman, mayroong dalawang bitag dito. Una, ang panic value ay maaaring hindi palaging totoo: ang isang pre-analytical error (hemolysis, maling tubo, naantalang pagproseso) ay maaaring makabuo ng isang huwad na kritikal na halaga; samakatuwid, dapat mabilis na kumpirmahin ng doktor ang halaga sa pamamagitan ng kalidad ng sample at klinikal na presentasyon. Pangalawa, dahil lang sa nakikita ng AI ang isang halaga bilang "sa loob ng normal na hanay" ay hindi nangangahulugan na ang pasyente ay hindi apurahan; Ang ilang mga pasyente ay maaaring mabilis na lumala kahit na may mga normal na halaga ng laboratoryo dahil ang larawan ay hindi pa nakikita sa dugo. Samakatuwid, ang panic value ay hindi isang call to action at ang normal na value ay hindi isang assurance. Kapag nahaharap sa isang kritikal na resulta, ang chain ng desisyon ay palaging pareho: i-verify ang kalidad ng sample, tumugma sa klinikal na larawan, ulitin kung kinakailangan at pamahalaan ang interbensyon bilang isang manggagamot. Ang AI ay nagdaragdag ng bilis; Ang bigat ng desisyon ay nakasalalay sa doktor.
Sa buod
Ang resulta ng laboratoryo ay hindi isang diagnosis, ngunit isang palatandaan. Ang AI ay mabilis sa pag-aayos ng mga pahiwatig na ito, pag-highlight ng off-reference, at trend-tracking; ngunit ang hanay ng sanggunian ay nag-iiba ayon sa mga species, lahi at aparato at dapat ibigay. Sinusuri ng manggagamot ang kalidad ng sample; Ang mga pre-analytical na error ay mga bitag na hindi nakikita ng AI. Basahin ang mga halaga kasama ang klinikal na larawan. Ang manggagamot ang nagsasalin ng resulta sa isang diagnosis at may pananagutan.
Gawain ng aplikasyon
Kunin ang iyong huling tatlong resulta ng lab. Hayaang ayusin ito ng AI sa pamamagitan ng pagbibigay ng hanay ng reference ng device at uri para sa bawat isa. Pagkatapos: (1) i-verify kung ang mga abnormalidad na na-flag ng AI ay talagang abnormal para sa uri/device, (2) maghanap ng hinala ng pre-analytical error sa isang sample, (3) trend chart para sa isa sa iyong mga malalang pasyente at bigyang-kahulugan ang direksyon. Itugma ang mga komento sa klinikal na larawan.
checklist
- [ ] Ibinigay ko ang mga species, lahi, edad at reklamo.
- [ ] Ipinasok ko ang hanay ng sanggunian ng device para sa bawat parameter.
- [ ] Sinuri ko ang kalidad ng sample (hemolysis, lipemia, clot).
- [ ] Hindi ko ginawa ang AI calculate numbers, inayos ko lang sila.
- [ ] Itinugma ko ang mga halaga sa klinikal na larawan.
- [ ] Inihambing ko ang trend sa mga nakaraang resulta.
- [ ] Bilang isang manggagamot, ginawa ko ang huling interpretasyon at pagsusuri.