”Studiet viser et klart potentiale for AI inden for øjenfaget. Men jeg fornemmer, at der fortsat kan være lang vej til en egentlig klinisk implementering i vores del af verden, hvad AI angår – selvom der bliver lavet mange tests og pilotstudier, sker der ikke ret meget på feltet i den kliniske hverdag.,” siger Benjamin Thinggaard.
AI-værktøj styrker billeddiagnostik, men der er fortsat lang vej til klinikken
Kunstig intelligens viser lovende takter som et par ekstra øjne, når det kommer til at stille en diagnose ud fra billeder af nethinder. Stort internationalt studie har dansk deltagelse og dokumenterer højere korrekt diagnostisk rate.
40 øjenlæger fra Europa, Asien og USA har bidraget til træningen af et AI-værktøj (EyeFM) designet til at støtte øjenlæger. Ved hjælp af over 14,5 millioner billeder af nethinder går storskala-studiet publiceret i Nature Medicine efter at vise effekten af et AI-værktøj, der assisterer øjenlægen i det billeddiagnostiske arbejde.
Resultaterne viste, at øjenlæger med assistance fra EyeFM opnåede en højere korrekt diagnostisk rate (92,2 procent versus 75,4 procent, P < 0,001) samt en højere henvisningsrate (92,2 procent versus 80,5 procent, P < 0,001) sammenlignet med kontrolgruppen.
H-læge, ph.d., Benjamin Thinggaard fra Øjenafdeling E, Odense Universitetshospital er medforfatter på studiet, da han sammen med syv kolleger fra Region Syddanmark har været del af den globale kohorte af øjenlæger, der har været med til at validere værktøjet.
Han bifalder resultaterne, men er også en smule afventende i forhold til perspektivet i den kliniske implementering.
”Studiet viser et klart potentiale for AI inden for øjenfaget. Men jeg fornemmer, at der fortsat kan være lang vej til en egentlig klinisk implementering i vores del af verden, hvad AI angår – selvom der bliver lavet mange tests og pilotstudier, sker der ikke ret meget på feltet i den kliniske hverdag. Til gengæld håber jeg, at et værktøj som EyeFM snart kan komme patienter til gode i de dele af verden, hvor der er begrænset adgang til øjenlæger,” siger Benjamin Thinggaard.
Assistance frem for overtagelse
Rune Salling Holmbjørn er cheflæge på Afdeling for Øjensygdomme, Rigshospitalet.
Han ser det som noget positivt, at EyeFM er udviklet som en beslutningsunderstøttende model – og ikke som et redskab, der skal træffe selvstændige beslutninger.
”Det er befriende med udgangspunktet, at AI ikke kan erstatte den kliniske vurdering og et menneskes overvejelser og ansvarstagen, men skal understøtte vurderingerne,” siger Rune Salling Holmbjørn.
Sensitiviteten er høj og bedre end hos en øjenlæge under uddannelse med dette støtteværktøj end uden, påpeger han. Der er dog stadig udfordringer med specificiteten, som ikke forbedres markant i studiet, og i nogen tilfælde forringes. Og så måles der op imod en specialist-vurdering – så der er altså ikke tale om en forbedring af specialiststandarden.
Rune Salling Holmbjørns betragtninger peger imod et scenarie, hvor det er generalister og mindre trænede øjenlæger frem for specialister, som kan få gavn af teknologien.
Dette perspektiv bliver også fremhævet af afdelingslæge, ph.d. Yousif Subhi, der ligeledes er ansat på Rigshospitalet,
”Studier af den her type giver et godt bud på, hvad AI kan gøre for os i fremtiden. AI vil formentlig hjælpe os til eksempelvis at håndtere det specielle. AI kan hjælpe med omstillingen fra sygehus til nær sundhed, så patienterne kan få adgang til subspeciale-viden hos deres lokale øjenlæge frem for at blive henvist og fulgt på et sygehus. Det flugter jo meget fint med sundhedsreformens intentioner. Når AI kan hjælpe med at bringe mere af det specialiserede ud til øjenlægepraksis, så vil sygehuse kunne fokusere på det sjældne og det komplicerede,” siger han.
Fare for overdiagnostik
Både Rune Salling Holmbjørn og Benjamin Thinggaard peger på, at trænede øjenlæger er så hurtige til at vurdere, at der i tidsforbruget i vurderingsfasen ikke er meget tidsmæssig gevinst at hente fra et støtteværktøj. Ofte vil man med en AI-assistent bruge lige så meget eller mere tid på at afkræfte fremhævede tegn fundet af den kunstige intelligens, end det der måtte være vundet i hastighed på fund af forandringer.
Rune Salling Holmbjørn minder om, at værktøjet bør bruges på en måde, hvor det ikke kommer til at medføre overdiagnostik.
”Det er velkendt, at vi som øjenlæger ser det, vi kigger efter, og nemt kan overse noget vi ikke mistænker eller leder efter. Der kan derfor være værdi i, at subtile forandringer knyttet til andre sygdomme fremhæves til øjenlægens vurdering. Men det er jo så at sige tilfældige fund, og det kan være svært at afgøre, om de har klinisk betydning. Fundene kan jo også blive en tidsrøver med risiko for unødvendig bekymring hos patienten. Det får en vis karakter af screening – og vi skal altid tænke os godt om, inden vi indfører nye screeninger,” siger han.
AI-studiet omfatter både retrospektive analyser, en international validering blandt 44 øjenlæger, samt et randomiseret, dobbeltblindet klinisk forsøg.
Det randomiserede kontrollerede studie blev udført som et parallel, enkelt-center, dobbeltblindet studie i Kina med fokus på screening for retina-sygdomme i en højrisikopopulation. I alt 668 deltagere (gennemsnitsalder 57,5 år, 79,5 procent mænd) blev randomiseret til 16 øjenlæger, som blev lige fordelt mellem interventionsgruppen (med EyeFM som assistent) og kontrolgruppen (standardpleje).
Dyre løsninger
Hvordan en AI-assistent skulle implementeres, står stadig lidt hen i det uvisse, vurderer Benjamin Thinggaard.
”Jeg forestiller mig, at det kunne være et modul, man eksempelvis tilkøber til sit billedprogram, som man i forvejen anvender til OCT-scanninger. Her vil AI-algoritmen give et bud på de mest sandsynlige diagnoser ud fra billedet, som man kender det fra eksempelvis EKG-apparater.”
Udfordringen med implementering af ny teknologi er økonomien, supplerer Rune Salling Holmbjørn.
”Løsningerne er dyre – ikke kun i anskaffelse, men særligt licenserne. Det eneste sted, økonomien kan hentes, er på løn, og en teknologi vil således typisk ikke kun skulle kunne erstatte én, men flere, for at være rentabel. I det regnestykke indgår det, at en algoritme til at understøtte en klinisk vurdering på ingen måder 1:1 erstatter et menneske, som kan så meget andet. Så hvis der skal være en business case, skal programmet effektivisere i en grad, så der er markant tidsbesparelse, eller højne kvaliteten til et niveau, hvor det bliver en nødvendighed,” siger han.
AI-platformen EyeFM kombinerer fundus-billedanalyse og andre oftalmologiske billedmodaliteter med en sprogmodel, så systemet kan svare på kliniske spørgsmål, triagere og hjælpe med diagnoser som en slags klinisk co-pilot. Det omfattende træningsgrundlag, der var kombineret med kliniske tekster fra globale, multietniske datasæt, sikrede AI-modellens evne til at forstå og integrere visuel og tekstuel information på tværs af forskellige patientpopulationer, skriver forfatterne bag studiet.