Met behulp van AI en machine learning kunnen diagnostische processen, zoals het beoordelen van MRI-, CT- en röntgenfoto’s niet alleen verbeterd, maar ook kosteneffectiever en sneller gemaakt worden. Daarbij, zoveel is inmiddels wel duidelijk, is het doel niet het vervangen, maar het ondersteunen van radiologen en artsen. Voorbeelden daarvan zijn hier al regelmatig de revue gepasseerd. Aan de Universiteit van Illinois Urbana-Champaign is een onderzoek uitgevoerd waarmee (nogmaals) aangetoond is dat de samenwerking tussen AI en radiologen het proces en de kosten van mammografiescreening effectiever maakt.
Uit het onderzoek is gebleken dat met een zogenoemde ‘delegatie-strategie’ de screeningskosten voor mammografieën tot 30 procent verlaagd kunnen worden. Een AI-oplossing wordt dan ingezet om mammogrammen te beoordelen en te markeren als ‘laag’ of ‘hoog’ risicogevallen zodat radiologen die nader kunnen inspecteren.
AI integreren in diagnostische processen
De bevindingen van het onderzoek kunnen helpen bepalen hoe ziekenhuizen en klinieken AI integreren in hun diagnostische workflows te midden van een groeiende vraag naar vroegtijdige opsporing van borstkanker en een tekort aan radiologen. Het onderzoek is gepubliceerd in het tijdschrift Nature Communications, is mede geschreven door Mehmet U. S. Ayvaci en Radha Mookerjee van de University of Texas in Dallas; en Gustavo Stolovitzky van de NYU Grossman School of Medicine en NYU Langone Health.
“We krijgen vaak de vraag of AI radiologen kan vervangen?”, vertelt Mehmet Eren Ahsen, professor bedrijfskunde en Deloitte Scholar in Illinois. “Ons onderzoek toont aan dat het antwoord op die vraag ‘nee, maar het kan zeker helpen’ is.
Beslissingsmodel
De onderzoekers ontwikkelden een beslissingsmodel om drie beslissingsstrategieën in borstkankerscreening te vergelijken: een strategie waarbij alleen experts betrokken zijn - de huidige klinische norm waarbij radiologen elk mammogram lezen; een automatiseringsstrategie, waarbij AI alle mammogrammen beoordeelt zonder menselijk toezicht; en een delegatiestrategie, waarbij AI een eerste screening uitvoert en dubbelzinnige of risicovolle gevallen doorverwijst naar radiologen.
Het model hield rekening met een breed scala aan kosten, waaronder implementatie, radiologietijd, vervolgprocedures en mogelijke rechtszaken. De uitkomsten werden geëvalueerd met behulp van praktijkgegevens van een wereldwijde AI crowdsourcing-uitdaging voor mammografie, die werd gesponsord als onderdeel van het Cancer Moonshot-initiatief van 2016-17 van het Office of Science and Technology Policy van het Witte Huis.
AI als vervanger schiet (nog) te kort
Hoewel het idee van het volledig automatiseren van radiologische taken aantrekkelijk lijkt vanuit het oogpunt van efficiëntie, waarschuwt het onderzoek dat de huidige AI-systemen nog steeds tekortschieten als het gaat om het vervangen van menselijk oordeel in complexe of grensgevallen. Daarnaast speelt natuurlijk ook de juridische aansprakelijkheid en -verantwoordelijkheid een rol. Die ligt nog altijd, en dat zal de komende jaren en waarschijnlijk altijd zo blijven, bij de (behandelend) arts of radioloog.
“AI is uitstekend in het identificeren van mammogrammen met een laag risico die relatief eenvoudig en gemakkelijk te interpreteren zijn. Maar voor gevallen met een hoog risico of dubbelzinnige gevallen presteren radiologen nog steeds beter dan AI. De delegatiestrategie maakt gebruik van deze kracht: AI stroomlijnt de werklast en mensen richten zich op de moeilijkste gevallen”, zegt Ahsen, die ook hoogleraar gezondheidsinnovatie is aan het Carle Illinois College of Medicine.
