کامامدچشم دوم رادیولوژیست

پلتفرم تشخیص سرطان پستان با هوش مصنوعی (CAVU): سامانه کمک‌تشخیصی مبتنی بر یادگیری عمیق، برای ارتقای دقت، یکنواختی و کارآمدی در تفسیر ماموگرافی. اختیار نهایی تفسیر همواره با پزشک است.

زندگی جاودان — کامامد، بهتر

درود بر تیمارگران، آنان که برگزیدند دست سلامت پروردگار بر روی زمین باشند

معرفی سامانه

تماس با ما

معرفی سامانه

سامانه کمک‌تشخیصی سرطان پستان کامامد، یک سیستم هوش مصنوعی پیشرفته مبتنی بر یادگیری عمیق (Deep Learning) است که با هدف ارتقای دقت، یکنواختی و کارآمدی در تفسیر ماموگرافی طراحی شده است. این سامانه به‌عنوان یک دستیار تصمیم‌یار برای پزشک رادیولوژیست عمل می‌کند و ضمن حفظ اختیار نهایی تفسیر توسط پزشک، ابزارهایی دقیق، سریع و قابل اعتماد برای تحلیل تصاویر در اختیار او قرار می‌دهد.

توسعه سامانه از سال ۱۳۹۹ آغاز شده و تاکنون بر روی بیش از ۴۰۰٬۰۰۰ تصویر ماموگرافی از بیماران ایرانی آموزش دیده است؛ از جمله بیش از ۱۰٬۰۰۰ مورد بیوپسی. داده‌ها با همکاری شبکه‌ای از مراکز تصویربرداری دولتی و خصوصی جمع‌آوری شده و شامل تنوع گسترده‌ای از انواع بافت‌های پستان، شرایط بالینی، دستگاه‌های تصویربرداری مختلف و نمایه‌های جمعیت‌شناختی است. داده‌ها پاک‌سازی، برچسب‌گذاری بالینی، کنترل کیفیت و کالیبراسیون شده و رادیولوژیست‌های خبره دقت برچسب‌ها را تضمین کرده‌اند. نتایج نهایی توسط فالوآپ بیمار یا نتیجه پاتولوژی تأیید شده است، نه صرفاً نظر رادیولوژیست.

چهار نمای ماموگرافی

CC و MLO برای هر دو پستان

کنترل کیفیت ورودی

بررسی کیفیت و صحت تصاویر

شبکه عصبی کانولوشنی چندمرحله‌ای

شناسایی، آنالیز و درجه‌بندی نواحی مشکوک

خروجی

تصویر ROI با هایلایت نواحی پرخطر، همراه گزارش Breast Composition

امتیاز آزمون هوش مصنوعی

هوش مصنوعی به هر تصویر پستان امتیازی بین ۰ تا ۱۰۰ می‌دهد که نشان‌دهنده ریسک بدخیمی است. بیمارانی که امتیاز ۱۰۰ دارند، بی‌درنگ برای بررسی‌های بیشتر ارزیابی می‌شوند و به دلیل تشخیص سریع‌تر، درمان آن‌ها سریع‌تر و ساده‌تر است؛ این درمان‌ها معمولاً کم‌تهاجمی‌تر و کم‌دردتر بوده و شانس موفقیت بالاتری دارند.

امتیازهای بالاتر از ۵۰ نشان می‌دهند که کلاس BIRADS بیمار در محدوده ۴، ۵ و ۶ است. در نمونه نمایش‌داده‌شده، ریسک بدخیمی ۹۸٫۹۱ است و محل مشکوک با یک بیضی دور آن مشخص شده است.

نمایش‌گر کامامد با بیضی قرمز روی نواحی مشکوک در ماموگرافی — نمایی از نمایش‌گر: ناحیه مشکوک با بیضی مشخص شده است.

کمک به تفکیک BIRADS ۳ و ۴

در نمونه‌ای با ریسک بدخیمی

۶۴٫۰۱

، چند ناحیه مشکوک در نماهای CC و MLO هر دو پستان علامت‌گذاری شده است.

دقت تشخیصی بهتر در پستان‌های متراکم

در پستان‌های متراکم، ناحیه مشکوک در هر دو نمای CC و MLO مشخص می‌شود.

بیش از ۹۲٪ تومورهای مشکوک

شناسایی بیش از ۹۲٪ تومورهای مشکوک در شش دوره کارآزمایی بالینی در انستیتو کانسر.

رادیولوژیست و چشم دوم

نسخه ۱٫۰۱ — ۱۰/۲۰۲۲ · زندگی جاودان (Eternity life) · کامامد: پلتفرم تشخیص سرطان با هوش مصنوعی · … اما بهتر

درود بر زمان؛ شگفتی‌ای که جوهر رشد انسان، انتقال دانش و سپردن ژن‌ها به نسل‌های آینده است. اکنون با کمک علم و آگاهی انسان، در پی راه‌هایی برای گسترش طول عمر هستیم و به خودِ مفهوم زندگی امید می‌بخشیم. اما برای داشتن زندگی طولانی و رضایت‌بخش، ابتدا باید عواملی را بشناسیم که کمیت و کیفیت آن را تهدید می‌کنند. به همین دلیل ماشین‌هایی ساخته‌ایم که توانایی یادگیری و رسیدن به دقت بالا را دارند و راه را برای شناخت بهتر خودمان و تصمیم‌گیری مؤثرتر هموار می‌کنند.

با سلامت بهتر، زندگی مؤثرتر ممکن می‌شود و با خرد، خلاقیت و پشتکار می‌توانیم دانش خود را برای ایجاد فرصت‌هایی در جهت بقای هم‌نوعانمان به کار بگیریم. اکنون مرز تازه‌ای پدیدار شده است: «زندگی جاودان» — به برکت سازمان پیشگامی که «کامامد» (Comma) نام دارد. فناوری انقلابی «بین‌فضا» (interspace) آن‌ها امکانات بی‌پایانی برای گسترش طول عمر و آزادسازی تمام توان ما ارائه می‌دهد. به ما بپیوندید در این سفر شگفت‌انگیز به‌سوی زندگی جاودان و آینده‌ای روشن‌تر از همیشه.

«هوش مصنوعی جایگزین رادیولوژیست‌ها نمی‌شود، اما رادیولوژیست‌هایی که از هوش مصنوعی استفاده می‌کنند، جایگزین رادیولوژیست‌هایی می‌شوند که استفاده نمی‌کنند.»Curtis P. Langlotz, MD, PhD — Director of the Artificial Intelligence Center at Stanford Medicine

«هوش مصنوعی دیگر صرفاً یک گزینه نیست؛ قلب تپنده پیشرفت است و برای دنیایی که می‌سازیم ضروری است.»

فناوری‌هایی مانند توموسنتز محدودیت‌های تصویربرداری را برطرف می‌کنند و هوش مصنوعی خطای انسانی را کاهش می‌دهد و لایه‌ای حیاتی از دقت می‌افزاید.

مشکل محدودیت‌های انسانی

ماشین‌ها به‌دلیل پایداری‌شان نیازی به استراحت ندارند، در حالی که یک انسان معمولی به ازای هر ۲۰ دقیقه کار، ۱ دقیقه استراحت لازم دارد. افزون بر این، چشم انسان فقط ۱۷۸ dpi (نقطه در اینچ) را تشخیص می‌دهد. ماشین‌ها خسته نمی‌شوند: سرعت، دقت و خستگی‌ناپذیری.

یادگیری از تصاویری بیش از عمر یک رادیولوژیست

تشخیص دقیق ماموگرام نیازمند تمرکز زیاد و فشار بر چشم است و برای رادیولوژیست‌ها خستگی ایجاد می‌کند. تعداد تصاویری که مدل‌های هوش مصنوعی ما با آن آموزش دیده‌اند، بیشتر از تعداد تصاویری است که یک رادیولوژیست در طول زندگی کاری خود می‌بیند. با این سامانه می‌توان حتی بدون مانیتور پزشکی ویژه رادیولوژیست، سریع‌تر و دقیق‌تر تشخیص داد.

چشم دوم رادیولوژیست

این فناوری با بیش از چهارصد هزار تصویر ماموگرافی و چندین هزار تست بیوپسی مثبت آموزش دیده و همچنان در حال یادگیری است. هوش مصنوعی به‌عنوان «چشم دوم» به رادیولوژیست‌ها کمک می‌کند سریع‌تر و دقیق‌تر تصمیم بگیرند و موارد سرطانی از دست‌رفته را کاهش دهد.

تصویر ماموگرافی

مورد بیوپسی

افزایش دقت تا ۹۳٪

از نظر فنی ثابت شده است که این فناوری با حساسیت ۸۳٫۳۳٪، ویژگی ۷۵٫۸٪، AUC برابر ۸۸٪ و نرخ شناسایی تومور بیش از ۹۲٪، به دقت یک رادیولوژیست باتجربه است و این دقت هر روز بیشتر می‌شود.

پاسخ باکیفیت با حداقل نرخ خطا

پیشگیری از پیامدهای مسئولیت‌ساز خطای انسانی

تشخیص سریع‌تر

ماشین سریع است

در سیستم‌های CAD سنتی، سامانه‌ها بر پایه پردازش تصویر و الگوریتم‌هایی کار می‌کردند که کارشناسان توسعه داده بودند. در سال‌های اخیر با پیشرفت فناوری‌های یادگیری ماشین، به‌ویژه یادگیری عمیق، الگوریتم‌های بسیار پیچیده را خود رایانه می‌سازد و فرصت کاهش فاصله با یادگیری انسان فراهم شده است؛ همین به‌کارگیری هوش مصنوعی در کاربردهای نو از جمله پزشکی را رقم زده است. در هوش مصنوعی پزشکی، سامانه با تحلیل تصاویر برچسب‌خورده توسط متخصصان آموزش می‌بیند و یاد می‌گیرد ناحیه‌های مشکوک را در تصاویر ندیده شناسایی کند. هرچه داده دقیق‌تری (مانند گزارش بیوپسی) داده شود، یادگیری بهتر و تصمیم‌گیری دقیق‌تر خواهد بود.

ما باور داریم راهکارهای ما برای تشخیص زودهنگام سرطان پستان، در کنار افزایش نرخ سالانه غربالگری، می‌تواند به‌طور چشمگیری به ریشه‌کن شدن سرطان پستان کمک کند.

مراکز نصب و بهره‌برداری

سامانه هوش مصنوعی کامامد تاکنون در مراکز دانشگاهی، بیمارستانی و خصوصی متعددی با موفقیت نصب و بهره‌برداری شده و عملکرد آن در شرایط واقعی بالینی ارزیابی شده است. این شرکت برگزیده رویداد ملی هوش مصنوعی در سلامت، برگزیده جشنواره جهش هوشمندسازی معاونت علمی و برگزیده ارائه کنگره رادیولوژی اروپا بوده است.

یکی از مهم‌ترین پروژه‌ها، نصب و بهره‌برداری در مجتمع بیمارستانی امام خمینی (ره)، بزرگ‌ترین و مرجع‌ترین بیمارستان آموزشی کشور، از سال ۱۴۰۲ است. در این مرکز، سامانه در قالب یک مطالعه طولانی قبل و بعد (pre-post longitudinal study) بر روی داده‌های غربالگری بیماران واقعی استفاده شد؛ زیر نظارت هیأت علمی مرکز تحقیقات تصویربرداری، گروه رادیولوژی و مدیریت بیمارستان. تأثیر سامانه بر نرخ Recall، سایز میانگین توده‌های تشخیص‌داده‌شده، نرخ ارجاع به بیوپسی و زمان گزارش‌نویسی ارزیابی شد. این پروژه از نظر حجم و عمق، یکی از بزرگ‌ترین مطالعات ارزیابی عملکرد هوش مصنوعی در محیط بالینی کشور است و نتایج آن در قالب یک مقاله علمی در حال داوری در یک ژورنال بین‌المللی معتبر است.

مراکز دانشگاهی

علوم پزشکی تهران

بیمارستان امام خمینی (ره)

بیمارستان آرش

بیمارستان بهارلو

علوم پزشکی ایران

بیمارستان حضرت رسول (ص)

بیمارستان فیروزگر

بیمارستان اکبرآبادی

علوم پزشکی زاهدان

بیمارستان علی ابن ابی‌طالب (ع)

علوم پزشکی کرمان

بیمارستان شهید باهنر

محلات

بیمارستان امام خمینی (ره)

مراکز خصوصی

تهران

مرکز تصویربرداری دکتر گیتی

مرکز تصویربرداری دزاشیب

مرکز تصویربرداری ساعی

مرکز تصویربرداری پردیس انقلاب

مرکز تصویربرداری پردیس سعادت‌آباد

مرکز تصویربرداری پردیس پاسداران

مرکز تصویربرداری حقیقت

مرکز تصویربرداری جردن

مرکز تصویربرداری روشنا

مؤسسه رادیولوژی اکباتان

رادیولوژی رافا

رادیولوژی مروارید

رادیولوژی نسیم پرتو

رادیولوژی فرجام

رادیولوژی آوا

رادیولوژی مهر ایرانیان

مرکز تصویربرداری پارسه

مرکز تصویربرداری خیریه صاحب کوثر

رادیولوژی پیشگام

رادیولوژی الزهرا

رادیولوژی دکتر اخلاقی‌نیا

مرکز تصویربرداری دکتر کریم‌زاده

مرکز تصویربرداری دکتر تقدیری

مرکز تصویربرداری دکتر بهزادی

سرو سلامت

مرکز تهران‌پارس

رادیولوژی دکتر مردانی

رادیولوژی گلستان

رادیولوژی دکتر محمدنژاد

رادیولوژی صادقیه

بیمارستان‌ها و مراکز خیریه

بیمارستان خاتم

خیریه غیاثی

به‌آفرین

مرکز خیریه سرطان ایرانیان بابل

مشهد

رادیولوژی دکتر ضابطی

بیمارستان ناظران

مرکز تصویربرداری آوان

بیمارستان سینا (در حال نصب)

اعتماد مراکز معتبر دانشگاهی و خصوصی به محصول ساخته‌شده توسط دانشمندان نخبه کشور، گنجینه ارزشمندی برای کامامد بوده که با تلاش شبانه‌روزی و بی‌وقفه از آن پاسداری می‌کند.

همکاران ما

دانشگاه علوم پزشکی ایران

دانشگاه علوم پزشکی تهران

دانشگاه علوم پزشکی شهید بهشتی

ICTIC

مرکز نوآوری فناوری اطلاعات و ارتباطات (ICTIC)

دانشگاه نیوساوت‌ولز (UNSW)

دانشگاه راتگرز (Rutgers)

دانشگاه کالیفرنیا، ایروین

دانشگاه تگزاس A&M

دانشگاه کپنهاگ

دانشگاه کلمبیا (نیویورک)

نتایج و اثربخشی بالینی

نصب‌شده در مراکز مرجع مانند بیمارستان امام و تحلیل بیش از ۶۰٬۰۰۰ ماموگرافی. این سامانه در قالب ۶ دوره کارآزمایی بالینی (Clinical Evaluation) در انستیتو کانسر بیمارستان امام خمینی (ره) تهران ارزیابی شده است؛ ارزیابی‌ها شامل اجرای مدل بر روی داده‌های واقعی و بررسی نتایج توسط تیم‌های چندرشته‌ای از رادیولوژیست‌ها، جراحان و اپیدمیولوژیست‌ها بوده و از جمله بر پایه پروتکل‌های سازمان غذا و داروی آمریکا (FDA) اجرا شده است. نتایج در کنگره رادیولوژی اروپا ارائه و مورد استقبال قرار گرفت و سایت مرجع رادیولوژی AuntMinnie گزارشی از آن منتشر کرد.

موارد Recall غیرضروری

تشخیص تومورهای کوچک‌تر از ۱۰ میلی‌متر

افزایش sensitivity

۰tumor capture rate

دوره کارآزمایی بالینی

حساسیت ۹۳٪

کاهش زمان تفسیر

کاهش متوسط زمان تفسیر در موارد پیچیده نیز گزارش شده است. در مطالعه‌ای طی سال‌های ۱۳۹۹ تا ۱۴۰۳ بر روی بیش از ۶۰٬۰۰۰ مراجعه‌کننده به انستیتو کانسر، علاوه بر کاهش معنادار اندازه تومورهای شناسایی‌شده و کاهش مرحله بالینی سرطان در زمان تشخیص، افت ۱۵ درصدی در نرخ فراخوانی مجدد (recall rate) رخ داد. سامانه از سال ۱۴۰۲ نصب شده است.

کاوش در مأموریت و تأثیر ما

بیش از ۱۰٬۰۰۰ مورد بیوپسی و بیش از ۴۰۰٬۰۰۰ ماموگرافی، در کنار هوش مصنوعی.

ECR ۲۰۲۴: هوش مصنوعی معیارهای تشخیص سرطان پستان را برای رادیولوژیست‌های تازه‌کار بهبود می‌بخشد

در کنگره رادیولوژی اروپا (ECR) ۲۰۲۴ مطالعه‌ای پیشگام ارائه کردیم که توان تحول‌آفرین الگوریتم‌های هوش مصنوعی را در بهبود معیارهای تشخیص سرطان پستان در میان رادیولوژیست‌های تازه‌کار نشان می‌دهد. عنوان ارائه: ابزار هوش مصنوعی برای توانمندسازی رادیولوژیست‌های تازه‌کار در غربالگری سرطان پستان؛ به‌عنوان یک جفت چشم دوم در خوانش ماموگرافی.

طراحی مطالعه

نوع مطالعه: گذشته‌نگر
داده‌ها: ۲٬۴۰۰ ماموگرافی؛ ۴۸۰ مورد سرطان با تأیید بیوپسی و ۱٬۹۲۰ مورد طبیعی با تأیید پیگیری دوساله
خوانندگان: ۴ رادیولوژیست، هر ماموگرافی را هم بدون کمک و هم با کمک هوش مصنوعی تفسیر کردند
معیارهای ارزیابی: sensitivity، specificity، AUC و ضایعات از دست‌رفته

دو گام ارزیابی

گام ۱: تفسیر بدون هوش مصنوعی و گزارش اول؛ ارزیابی عملکرد بدون هوش مصنوعی
گام ۲: ارائه پیش‌بینی‌های هوش مصنوعی و گزارش دوم؛ ارزیابی عملکرد با هوش مصنوعی
سپس مقایسه با حقیقت زمینی (Ground Truth) و ارزیابی بهبود عملکرد

نتیجه اصلی

سطح زیر منحنی (AUC) به‌طور معناداری از

۰٫۸۱۲

به

۰٫۸۳۷

رسید و sensitivity از

۷۵٫۰٪

به

۹۲٫۹٪

افزایش یافت.

نمودار طراحی مطالعه (Design of Study)

گام ۱: بدون هوش مصنوعی

خوانش ماموگرافی توسط رادیولوژیست روی مانیتور

↓

گزارش ۱

↓

ارزیابی عملکرد (بدون هوش مصنوعی)

گام ۲: ارائه پیش‌بینی‌های هوش مصنوعی

خوانش مجدد همان ماموگرافی با نمایش پیش‌بینی‌های هوش مصنوعی

↓

گزارش ۲

↓

ارزیابی عملکرد (با هوش مصنوعی)

منحنی‌های ROC (همه موارد و هر چهار خواننده)

منحنی‌های ROC: نمودار کلی و نمودار هر یک از چهار رادیولوژیست

برای بزرگ‌نمایی روی تصویر بزنید. محور افقی: ۱ − specificity؛ محور عمودی: sensitivity.

همچنین مشاهده شد هوش مصنوعی به رادیولوژیست‌ها در شناسایی ضایعات از دست‌رفته در همه انواع ضایعه (توده، کلسیفیکاسیون، اعوجاج و عدم تقارن) کمک معناداری کرده است (p-values < ۰٫۰۰۱).

	توده (Mass)	کلسیفیکاسیون (Calcification)	اعوجاج (Distortion)	عدم تقارن (Asymmetry)
تعداد ضایعات افزوده‌شده پس از بازبینی، به ازای هر ۱۰۰ پستان	۱٫۲۱	۲٫۳۳	۱٫۳۶	۱٫۹۴
p-value	۵٫۳E-۰۹	۷٫۰E-۰۵	۱٫۵E-۰۳	۱٫۱E-۰۴

نمونه ضایعه از دست‌رفته — نمونه‌ای از ضایعه از دست‌رفته که با کمک هوش مصنوعی مشخص شده است.

مطالعه آینده‌نگر: نرخ Recall

نرخ فراخوانی مجدد (RR) یکی از مهم‌ترین معیارها در غربالگری سرطان پستان است. در مطالعه ما، کمک هوش مصنوعی میانگین RR را در مرکز ما از ۳۵–۴۵٪ به ۲۰–۲۵٪ کاهش داد. این بهبود چشمگیر، پیگیری‌های غیرضروری و اضطراب بیماران را کم می‌کند.

میانگین نرخ Recall بر اساس نیمه‌سال‌های مختلف

ارقام تقریبی و برداشت‌شده از روی نمودار منبع؛ محور از ۲۰٪ شروع می‌شود. ستون‌های آخر (سبز) پس از آغاز استفاده از سامانه‌اند.

اندازه تومور

یکی از مهم‌ترین نتایج مطالعه، اندازه تومور در زمان تشخیص بود. بیمارانی که گردش کار کامل تصویربرداری را در مرکز ما گذراندند، با تومورهای کوچک‌تر، معمولاً از ۱ میلی‌متر تا ۲ سانتی‌متر، تشخیص داده شدند. این نشان می‌دهد رویکرد ما، با پشتیبانی هوش مصنوعی، به تشخیص زودتر و پیش‌آگهی بهتر کمک می‌کند. نمودار: توزیع اندازه تومورها در سال‌های ۱۳۹۹ تا ۱۴۰۳ در انستیتو کانسر امام خمینی؛ استفاده از سامانه از سال ۱۴۰۲ آغاز شده است.

تأثیر بر مرحله‌بندی سرطان

جابه‌جایی به‌سمت تشخیص زودتر در مرحله سرطان هنگام تشخیص دیده می‌شود. مطالعه ما افزایش تشخیص‌های مرحله اولیه (مرحله ۰ تا ۲) را از ۶۰–۶۵٪ به ۸۵–۹۰٪ نشان می‌دهد. این تغییر، گزینه‌های درمانی مؤثرتر، کم‌تهاجمی‌تر و مقرون‌به‌صرفه‌تر را برای بیماران ممکن می‌کند.

مرحله ۰

مرحله ۱

مرحله ۲

مرحله ۳

مرحله ۴

درصدها در این نمودار تقریبی و برداشت‌شده از روی نمودار منبع است. سال ۱۴۰۲: آغاز استفاده از سامانه.

آمار جهانی، اقتصاد و خبر

پزشکی شخصی‌شده

سرطان، پس از بیماری‌های قلبی‌عروقی، دومین علت شایع مرگ در کشورهای توسعه‌یافته است. سرطان حدود ۷۰٪ موارد جدید را در کشورهای کمتر توسعه‌یافته شامل می‌شود.

روند رشد سرطان پستان در ایران

در نمودار منبع، شاخص از حدود ۲۷ در سال ۲۰۰۵ به حدود ۵۵ در سال ۲۰۰۸ رسیده است (ارقام تقریبی).

شکایات پزشکی

یکی از دشوارترین مسائل میان همه حرفه‌ها، مواجهه با پیامدهای قانونی شکایات پزشکی است که در رادیولوژی بیشتر رخ می‌دهد. گذراندن فرایند تشخیص با دستیار هوش مصنوعی به‌عنوان پشتیبان حرفه‌ای می‌تواند عوارض مربوط به پرونده‌های پزشکی را کاهش دهد. سالانه ۳۵۰۰۰ شکایت وجود دارد که ۳۸٪ آن‌ها مربوط به خطاهای پزشکی است.

بار اقتصادی سرطان پستان

دو پژوهش منتشرشده بار اقتصادی سرطان پستان را در ایران بررسی کرده‌اند. نمودارهای زیر هزینه کل سالانه هر بیمار را به تفکیک مرحله بیماری (I تا IV) نشان می‌دهند (دلار آمریکا؛ ارقام از جدول ۲ هر مقاله).

مقاله ۱: استان فارس، ۲۰۲۱

مقاله ۲: استان لرستان، ۲۰۲۳

QALY (نمودار اسلاید منبع، تقریبی)

هزینه با پیشرفت مرحله بالا می‌رود: در مقاله ۱ از ۵٬۱۱۶٫۳۶ دلار (مرحله I) تا ۱۸٬۰۲۹٫۲۲ دلار (مرحله IV) و در مقاله ۲ از ۶٬۴۱۸٫۸۷ دلار تا ۱۳٬۸۸۰٫۰۸ دلار. نمودار QALY از اسلایدهای منبع آمده و مقدار آن از روی نمودار تخمین زده شده است.

مقاله ۱: بار اقتصادی سرطان پستان: مطالعه موردی جنوب ایران

Faride Sadat Jalali, Khosro Keshavarz, Mozhgan Seif, Majid Akrami, Abdosaleh Jafari, Ramin Ravangard. Economic burden of breast cancer: a case of Southern Iran. Cost Effectiveness and Resource Allocation 21, 58 (2023). https://doi.org/10.1186/s12962-023-00470-8

مجوز: Creative Commons Attribution 4.0 (CC BY 4.0). متن فارسی زیر ترجمه چکیده مقاله اصلی است (تغییر: ترجمه به فارسی)؛ در حالت انگلیسی، چکیده اصلی آمده است.

زمینه: سرطان پستان یکی از علل اصلی مرگ ناشی از سرطان در جهان است و بار اقتصادی قابل‌توجهی بر خانواده‌ها و نظام سلامت تحمیل می‌کند. این مطالعه با هدف تعیین بار اقتصادی سرطان پستان در بیماران مراجعه‌کننده به مراکز درمانی استان فارس در جنوب ایران در سال ۲۰۲۱ انجام شد.

روش‌ها: این مطالعه مقطعی، یک ارزیابی اقتصادی جزئی و مطالعه هزینه بیماری با رویکرد پایین‌به‌بالا و مبتنی بر شیوع است که در سال ۲۰۲۱ در استان فارس از دیدگاه جامعه انجام شد. در مجموع ۲۳۰ بیمار به‌صورت تصادفی وارد مطالعه شدند و برای گردآوری داده‌ها از فرم پژوهشگرساخته استفاده شد. داده‌های هزینه‌های مستقیم پزشکی از اطلاعات پرونده‌های پزشکی و مالی بیماران گردآوری شد؛ داده‌های هزینه‌های مستقیم غیرپزشکی و غیرمستقیم از اظهارات خود بیماران یا همراهان آن‌ها به‌دست آمد. برای تحلیل داده‌ها از نرم‌افزار Excel ۲۰۱۶ استفاده شد.

نتایج: نتایج نشان داد هزینه سالانه هر بیمار مبتلا به سرطان پستان در نمونه مورد مطالعه در سال ۲۰۲۱ برابر ۱۱٬۹۷۹٫۰۹ دلار آمریکا بوده است. هزینه‌های مستقیم پزشکی بیشترین سهم هزینه‌ها را داشت (۷۰٫۶۹٪) و در میان آن‌ها هزینه رادیوتراپی از همه بیشتر بود. بار اقتصادی این بیماری در کشور ۱۹۳٬۰۹۰٬۹۵۲ دلار برآورد شد.

نتیجه‌گیری: به‌طور کلی، به‌دلیل شیوع بالای سرطان پستان و مزمن بودن آن، هزینه‌های درمانی این بیماری می‌تواند بار اقتصادی سنگینی بر جامعه، نظام سلامت، نظام بیمه و بیماران تحمیل کند. برای کاهش هزینه‌ها می‌توان پیشنهادهای زیر را ارائه کرد: استفاده از فناوری‌های پیشرفته رادیوتراپی، افزایش پوشش بیمه‌ای خدمات ضروری، ایجاد مراکز اقامتی کم‌هزینه نزدیک مراکز درمانی برای بیماران و همراهان، ارائه خدمات تخصصی پزشکی برای بیماران در شهرستان‌ها، استفاده از اینترنت و فضای مجازی برای پیگیری درمان، و اجرای برنامه‌های غربالگری و آزمایش رایگان برای تشخیص سریع‌تر بیماران و افراد مستعد یا در معرض خطر.

برآورد کشوری (جدول ۳ مقاله)

۱۶٬۱۱۹ بیمار؛ هزینه مستقیم پزشکی ۱۳۶٬۴۸۸٬۲۷۷ دلار، مستقیم غیرپزشکی ۳۳٬۶۳۷٬۹۳۵٫۲ دلار، غیرمستقیم ۲۲٬۹۶۴٬۷۳۹٫۳ دلار؛ جمع بار اقتصادی ۱۹۳٬۰۹۰٬۹۵۲ دلار.

مقاله ۲: بار اقتصادی سرطان پستان در غرب ایران: یک مطالعه مقطعی هزینه بیماری

Banafsheh Darvishi Teli, Meysam Behzadifar, Mania Beiranvand, Aziz Rezapour, Seyed Jafar Ehsanzadeh, Samad Azari, Ahad Bakhtiari, Payam Haghighatfard, Mariano Martini, Maryam Saran, Masoud Behzadifar. The economic burden of breast cancer in western Iran: a cross-sectional cost-of-illness study. Journal of Health, Population and Nutrition 44, 16 (2025). https://doi.org/10.1186/s41043-025-00738-0

این مقاله با مجوز CC BY-NC-ND 4.0 منتشر شده است که ترجمه یا بازنشر تغییریافته و استفاده تجاری از متن را مجاز نمی‌کند. به همین دلیل در اینجا فقط ارجاع دقیق و چند داده واقعی آمده است؛ متن کامل از طریق لینک بالا در دسترس است.

مطالعه در استان لرستان (غرب ایران) روی ۵۲۵ بیمار انجام شد. بار اقتصادی کل ۵٬۳۹۴٬۴۰۹٫۱۳ دلار و میانگین هزینه هر بیمار ۱۰٬۲۷۵٫۰۷ دلار برآورد شد. هزینه‌های مستقیم پزشکی بزرگ‌ترین سهم را داشتند (در چکیده ۷۰٫۲٪ و در جدول ۲ و شکل ۲ همان مقاله ۷۵٫۹۳٪ ذکر شده است).

هزینه کل هر بیمار با پیشرفت مرحله بالا می‌رود (مرحله ۱: ۶٬۴۱۸٫۸۷ دلار؛ مرحله ۴: ۱۳٬۸۸۰٫۰۸ دلار). شاخص مخارج کمرشکن سلامت (CHE) برابر ۷۰۸٫۴۰٪ گزارش شده است، یعنی بسیار بالاتر از آستانه ۴۰٪.

هوش مصنوعی در اخبار

هوش مصنوعی سرطان پستان ۱۱ زن را تشخیص داد که از چشم پزشکان دور مانده بود

هوش مصنوعی در تشخیص سرطان پستان «امیدبخش» بوده است

عناوین خبری برگرفته از اسلاید «AI in NEWS» در منبع.

اخبار و بازتاب رسانه‌ای

سه گزارش خبری درباره نقش هوش مصنوعی در تشخیص سرطان پستان؛ برای هر مورد، نام منبع و پیوند خبر آمده است.

دویچه‌وله (DW) فارسی

هوش مصنوعی در تشخیص زودهنگام سرطان پستان کمک می‌کند

عنوان بر اساس نشانی صفحه. برای خواندن گزارش کامل به سایت منبع مراجعه کنید.

dw.com/fa-af/…/a-71371083

بی‌بی‌سی فارسی (۱)

گزارش خبری درباره هوش مصنوعی در تشخیص سرطان پستان

برای خواندن گزارش کامل به سایت منبع مراجعه کنید.

https://www.bbc.com/persian/articles/c88x530yd3wo

بی‌بی‌سی فارسی (۲)

گزارش علمی درباره هوش مصنوعی در تشخیص سرطان پستان

برای خواندن گزارش کامل به سایت منبع مراجعه کنید.

https://www.bbc.com/persian/science-66380276

جعبه هوشمند GITAI

فناوری هوش مصنوعی به سخت‌افزار اختصاصی با ویژگی‌های پردازشی ویژه نیاز دارد. بنابراین تیم کامامد با دانش روز، سامانه‌ای طراحی و ساخته است تا تجربه‌ای باکیفیت از استفاده از هوش مصنوعی فراهم کند. ویژگی‌های پایه: پلتفرم هوش مصنوعی و سامانه تولید گزارش.

اولویت‌بندی بیماران بررسی‌شده بر اساس ریسک: چند مطالعه نشان می‌دهد دقت رادیولوژیست‌ها از ابتدا تا انتهای یک روز کاری ۶۰٪ کاهش می‌یابد. این اولویت‌بندی کمک می‌کند بیماران پرخطر زودتر و دقیق‌تر بررسی شوند.

PACS داخلی

سامانه ارتباط و بایگانی تصاویر، داخل خود جعبه.

تنظیم Hanging Protocol

توانایی تنظیم پروتکل چینش دلخواه برای نمایش تصاویر (برای نمونه CC راست و CC چپ).

گزارش رادیولوژی با چند کلیک

تولید گزارش رادیولوژی با چند کلیک، همراه با تصاویر علامت‌گذاری‌شده و امضا.

بدون نیاز به مانیتور گران‌قیمت

کاهش نیاز به مانیتورهای گران.

بازبینی از راه دور

امکان مرور تصاویر از راه دور؛ هر زمان، هر کجا، روی لپ‌تاپ، تبلت یا مانیتور.

نصب و استفاده خودکار

فرایندهای نصب و استفاده به‌صورت خودکار.

مزایای بهره‌برداری

بهره‌برداری از سامانه کمک‌تشخیصی هوش مصنوعی کامامد در حوزه ماموگرافی، فراتر از یک نوآوری فناورانه، گامی عملی در مسیر ارتقاء کیفیت خدمات تصویربرداری، افزایش بهره‌وری نیروی انسانی و بهبود تجربه بیماران است. این سامانه با هدف حمایت از تصمیم‌گیری پزشک طراحی شده و با زیرساخت موجود مراکز درمانی کشور سازگار است.

برای بیماران

کاهش مراجعات غیرضروری برای بررسی‌های تکمیلی (سونوگرافی، MRI، بیوپسی)
افزایش دقت و سرعت تشخیص و تشخیص زودتر بیماری در مراحل اولیه
کاهش اضطراب ناشی از ابهام در تفسیر یا نیاز به گزارش مجدد
افزایش اعتماد به نتیجه گزارش، به‌ویژه در بیماران پیگیر یا دارای سابقه خانوادگی

برای بیمارستان و مدیریت مرکز

افزایش کیفیت خدمات تصویربرداری با فناوری نوین و مستند علمی
افزایش بهره‌وری رادیولوژیست‌ها با کاهش زمان تفسیر و تمرکز بر موارد پیچیده
افزایش تعداد بیماران قابل پذیرش در روز بدون افت کیفیت گزارش‌ها
تقویت برند علمی بیمارستان به‌عنوان مرکز پیشرو در هوش مصنوعی پزشکی
خروجی‌های آماری برای پژوهش‌های داخلی، مدیریت کیفیت و مقالات علمی مشترک
سازگاری با HIS / RIS / PACS بدون نیاز به تغییر زیرساخت

برای پزشکان و تیم تصویربرداری

افزایش دقت در تشخیص ضایعات مشکوک پستانی
کاهش احتمال خطای انسانی در شرایط خستگی یا حجم کاری بالا
افزایش اطمینان در موارد borderline یا دشوار
تحلیل عددی و تصویری همراه با ROI و احتمال بدخیمی
یکنواختی گزارش‌ها بین پزشکان مختلف (کاهش Variability)

سامانه از نظر پیاده‌سازی قابلیت اجرای محلی (On-premise) دارد و با PACS و workstationهای تخصصی مراکز درمانی سازگار است. هیچ اطلاعات هویتی از بیمار را ذخیره یا منتقل نمی‌کند، در برابر تغییرات دستگاه، فرمت فایل و کیفیت تصویر تحمل بالایی دارد و در محیط واقعی (real-world settings) تست و بهینه‌سازی شده است. در صورت استفاده از Report Generator، امکان گزارش‌دهی و رصد وضعیت مرکز نیز فراهم است.

تماس با ما

شرکت آینده سلامت الکترونیک شریف
شماره ثبت: ۵۹۹۱۲۸

آدرس: تهران، خیابان آزادی، دانشگاه صنعتی شریف، ساختمان شهید ستاری، طبقه ۶، واحد ۶۱۶، کد پستی ۱۴۵۸۸۸۹۶۴۶

ایمیل: info@commamed.com
اینستاگرام: instagram.com/commamed.ir