Er zijn veelbelovende resultaten gevonden voor de toepassing van kunstmatige intelligentie (AI) in de pathologie-diagnostiek, en het lijkt erop dat de brede introductie van deze technieken in de dagelijkse praktijk van de patholoog niet meer ver weg is. Dit is bijvoorbeeld te zien aan de grote toename van bedrijven die zich richten op de ontwikkeling van AI voor pathologie.
Toch zijn er meerdere redenen waarom AI nog maar zeer spaarzaam wordt gebruikt in dit veld. Enerzijds is er natuurlijk het gebrek aan digitalisering van de microscopie, een belangrijk obstakel dat langzaam maar zeker verdwijnt naarmate meer en meer afdelingen besluiten om ‘digitaal te gaan’. De beschikbaarheid van AI-oplossingen zou daarbij zelfs juist meer pathologen kunnen aanzetten om voor een volledig gedigitaliseerd werkproces te kiezen.
Ook is de kwaliteit van de AI-oplossingen niet altijd zo goed als we zouden willen. Vaak wordt dit veroorzaakt door een gebrek aan generaliseerbaarheid: de AI werkt goed op beelden die voldoende vergelijkbaar zijn met de data waarmee deze is ontwikkeld, maar minder goed op nieuwe beelden. Hoewel dit een serieuze tekortkoming is, is het ook een beperking die kan worden aangepakt zodra we AI op grotere schaal gaan gebruiken. Klinische gebruik van AI zal leiden tot het identificeren van de probleemgebieden, maar ook de data leveren om deze op te lossen.
Klinisch gebruik AI
Ten derde kan AI alleen klinisch worden gebruikt (tenminste in Europa) nadat het strenge procedures voor certificering heeft doorstaan, die kostbaar zijn en de tijd en inspanningen vereisen van experts die schaars zijn: pathologen, ‘regulatory’ experts en zogenaamde ‘notified bodies’. Gelukkig worden steeds meer gecertificeerde AI-oplossingen op de markt gebracht, en is het slechts een kwestie van tijd voordat er een breed portfolio beschikbaar is om uit te kiezen.
Een van de belangrijkste obstakels is echter de onzekerheid rondom de financiering van AI in de pathologie. De introductie van AI in de klinische diagnostiek is kostbaar, en zal alleen succesvol zijn als we in staat zijn om tastbare meerwaarde voor medische professionals, patiënten of het gezondheidszorgsysteem in het algemeen te realiseren en aan te tonen.
Verhoogde efficiëntie
Natuurlijk zijn deze drie op diverse manieren met elkaar verbonden, maar we zullen tenminste in staat moeten zijn om voordelen voor één van deze ‘stakeholders’ aan te tonen. Eén van de vaak genoemde voordelen van AI voor de pathologieafdeling is de verhoogde efficiëntie van de diagnostische workflow. Hier valt veel voor te zeggen; maar het is belangrijk om te bedenken dat dit alleen het geval zal zijn als we AI volledig in de pathologie-workflow kunnen integreren. Als we niet verder komen dan alleen het ondersteunen van alleen de microscopische beoordeling door pathologen, wegens de besparingen in pathologentijd ten gevolge van AI-ondersteuning, dan zal AI vermoedelijk niet opwegen tegen de kosten. Dit wordt anders wanneer we de AI op autonome wijze kunnen inzetten, waarbij niet of nauwelijks interventie van een expert meer nodig is.
Volledige integratie betekent ook het automatisch aanvragen van bijvoorbeeld immunohistochemische kleuringen of moleculaire analyses, bepalen naar welke patholoog een bepaalde casus het best kan worden uitgeleverd en of deze hoge of juist lage prioriteit moet krijgen, uitvoeren van automatische metingen en het opstellen van het verslag, et cetera. Dergelijke brede integratie kan resulteren in een positieve business case, maar brengt wel technische uitdagingen met zich mee aangezien het maatwerk implementatie vraagt in elk pathologie-lab.
Diagnostische consistentie
Een van de grootste voordelen van het gebruik van AI in de pathologie is waarschijnlijk dat het de variabiliteit tussen pathologen kan verminderen, wat een belangrijke beperking is van de huidige histopathologische beoordeling (grotendeels over het hoofd gezien in de klinische praktijk). Het verbeteren van de diagnostische consistentie tussen pathologen zal waarde opleveren voor de patiënt, omdat meer patiënten de meest optimale behandeling krijgen en als gevolg daarvan de efficiëntie en effectiviteit van behandelingen worden verbeterd.
Voordat we dit kunnen bewijzen, moeten we beginnen met het evalueren van AI in grootschalige, multicentrische (idealiter prospectieve) studies, om het bewijs te leveren dat nodig is om de betalers van de gezondheidszorg (bijvoorbeeld zorgverzekeraars maar ook patiënten) ervan te overtuigen dat vergoeding van het gebruik van AI nodig is om waarde te creëren voor patiënten (en op de lange termijn ook voor de samenleving als geheel). Ik denk daarom dat het van cruciaal belang is dat pathologen maar ook oncologen, radiologen en andere relevante specialisten betrokken zijn bij de implementatie van AI in de diagnostiek, om maximale patiëntvoordelen te behalen uit deze veelbelovende technieken.
Praat hierover en over nog meer onderwerpen mee tijdens het congres Diagnostiek met AI op 9 mei aanstaande.
