Diagnostika v oftalmologii s asistencí umělé inteligence (AI-OPHTH-CR)

PŘEDMĚT A ODŮVODNĚNÍ:

Oční choroby představují významnou zátěž pro veřejné zdraví celosvětově i v Kostarice. Glaukom postihuje více než 80 milionů lidí na celém světě a je druhou nejčastější příčinou nevratné slepoty. Diabetická retinopatie je hlavní příčinou slepoty u dospělých v produktivním věku. Šedý zákal zůstává nejčastější příčinou reverzibilního zrakového postižení na celém světě. V Kostarice tyto stavy postihují stovky tisíc lidí s významným dopadem na kvalitu života a ekonomickou produktivitu.

PROBLÉM – Výzvy v detekci:

Včasná detekce těchto onemocnění je klíčová, ale čelí několika výzvám:

1. Glaukom je v raných stádiích asymptomatický – pacienti si ztrátu zraku nevšimnou, dokud nedojde k významnému nevratnému poškození
2. Diabetická retinopatie vyžaduje každoroční screening všech diabetických pacientů, což přetěžuje dostupnou kapacitu oftalmologie
3. Interpretace očních snímků je časově náročná a podléhá variabilitě mezi pozorovateli
4. V prostředích s omezenými zdroji je přístup k expertním oftalmologům nedostatečný pro screening všech ohrožených populací

PŘÍLEŽITOST – Umělá inteligence:

Nedávné pokroky v hlubokém učení, zejména konvolučních neuronových sítích (CNN), prokázaly pozoruhodné schopnosti v analýze lékařských snímků. Studie publikované v JAMA, Nature a The Lancet ukázaly, že systémy umělé inteligence dosahují diagnostické přesnosti srovnatelné nebo lepší než expertní oftalmologové u diabetické retinopatie (Gulshan et al., 2016), věkem podmíněné makulární degenerace (De Fauw et al., 2018) a glaukomu (Li et al., 2018).

KRITICKÁ MEZERA – Validace pro konkrétní populaci:

Avšak existuje zásadní problém: většina systémů umělé inteligence byla vyvinuta a validována na asijských, evropských nebo severoamerických populacích. Tyto systémy se nemusí dobře zobecňovat na latinskoamerické populace kvůli:

• Odlišným vzorcům prevalence onemocnění
• Odlišným demografickým charakteristikám (věkové rozložení, etnické složení)
• Odlišnému vybavení a protokolům používaným v klinické praxi
• Odlišným strukturám zdravotnických systémů a pracovním postupům

Aplikace systémů umělé inteligence vyvinutých jinde bez lokální validace je vědecky sporná a potenciálně nebezpečná. Tato studie řeší tuto kritickou mezeru vývojem a validací systému umělé inteligence specificky pro kostarickou populaci.

CÍLE STUDIE:

Primární cíl:

Vyvinout a validovat systém umělé inteligence pro automatickou detekci a klasifikaci hlavních očních patologií (glaukom, šedý zákal, diabetická retinopatie, další onemocnění sítnice) z multimodálních očních snímků v kostarické populaci.

Specifické cíle:

1. Vytvořit vysoce kvalitní referenční databázi ~15 000 očních snímků s expertně ověřenými diagnózami
2. Vyvinout hluboké neuronové sítě integrující více obrazových modalit a klinických dat
3. Validovat výkon modelu na 3 000 nezávislých snímcích, které během tréninku nikdy neviděl
4. Analyzovat algoritmické zkreslení a spravedlnost napříč demografickými a klinickými podskupinami

5. Posoudit proveditelnost klinické implementace v reálných oftalmologických pracovních postupech

   DESIGN STUDIE:

   Typ: Retrospektivní validace diagnostické technologie

   Prostředí: Dvě oftalmologická centra v Kostarice

   • Místo 1: Asociados de Mácula y Vítro de Costa Rica, San José (10 000 snímků)
   • Místo 2: Centro Ocular, Heredia (5 000 snímků)

   Studijní populace: Přibližně 15 000 očních snímků od dospělých pacientů (≥18 let), kteří byli ošetřeni v participujících centrech

   Obrazové modality:

   • Fotografie fundu (barevná a autofluorescence)
   • Optická koherenční tomografie (OCT) – zadní segment
   • Fotografie předního segmentu
   • Automatizovaná perimetrie (zorná pole)
   • Video-OCT

   METODOLOGIE:

   Fáze 1 – Extrakce snímků (měsíce 1–6):

   Všechny dostupné oční snímky splňující základní inkluzní kritéria (věk ≥18 let, vhodná modalita, pořízené během rutinní klinické péče) budou automaticky extrahovány z PACS (Picture Archiving and Communication Systems) na každém místě. Žádná časová omezení – budou zahrnuty všechny dostupné historické snímky, aby se maximalizoval objem dat a reprezentativnost.

   Fáze 2 – Kompletní anonymizace (měsíce 1–6):

   Přísný anonymizační protokol:

   • Odstranit všechny přímé identifikátory (jméno, identifikační číslo, adresa, telefon, e-mail, číslo zdravotní dokumentace)
   • Přiřadit každému snímku náhodné anonymní kódy
   • Transformovat potenciálně identifikační data: přesné datum narození → věková skupina (18–40, 41–60, 61–75, >75); přesná data → pouze rok
   • Vytvořit šifrovanou propojovací tabulku uloženou pouze lokálně pro etické mimořádné situace (např. náhodné nálezy vyžadující upozornění pacienta)

   Zachovaná klinická data (neidentifikační):

   • Věková skupina
   • Pohlaví
   • Diagnóza
   • Intraokulární tlak (mmHg)
   • Nejlepší korigovaná zraková ostrost
   • Anamnéza diabetes mellitus (ano/ne)
   • Nedávný oční chirurgický výkon (ano/ne)

   Fáze 3 – Hodnocení kvality a označování (měsíce 7–12):

   Systém dvojitého čtení s rozhodčím:

   Krok 1: Screening kvality

   • Každý snímek zkontrolován na diagnostickou kvalitu
   • Přijmout nebo odmítnout na základě zaostření, osvětlení, zorného pole, absence hlavních artefaktů
   • Odmítnuté snímky trvale vyloučeny

   Krok 2: Nezávislé čtení

   • Čtenář 1 (Dr. Marissé Masís Solano) nezávisle přiřadí diagnózu
   • Čtenář 2 (Dr. Erick Hernández Bogantes) nezávisle přiřadí diagnózu
   • Čtenáři jsou zaslepeni vůči hodnocením toho druhého

   Krok 3: Rozhodčí řízení

   • Pokud se čtenáři shodnou → diagnóza zaznamenána jako finální
   • Pokud se čtenáři neshodnou → Rozhodčí (Dr. Marissé Masís Solano) učiní konečné rozhodnutí

   Odůvodnění nezávislosti rozhodčího:

   Dr. Masís splňuje všechny požadavky na nezávislost:

   • Snímky nejsou od jejích vlastních pacientů (žádná předchozí zaujatost)
   • Není hlavní řešitelkou (žádný přímý tlak na specifické výsledky)
   • Plně kvalifikovaná expertní oftalmoložka
   • Dodržuje standardy správné klinické praxe a směrnice FDA pro vývoj lékařských zařízení s umělou inteligencí

   Diagnostické kategorie:

   • Glaukom (s otevřeným úhlem a s uzavřeným úhlem)
   • Šedý zákal (závažnost klasifikována)
   • Diabetická retinopatie (mírná, střední, těžká, proliferativní)
   • Věkem podmíněná makulární degenerace (suchá vs vlhká)
   • Okluze cév sítnice
   • Makulární edém
   • Normální/žádná významná patologie
   • Další relevantní nálezy

   Fáze 4 – Rozdělení dat (měsíc 13):

   Stratifikované náhodné rozdělení zachovávající proporce diagnostických kategorií:

   • Tréninková sada: 12 000 snímků (80 %)
   • Validační sada: 3 000 snímků (20 %)

   Dodržováno striktní oddělení – validační snímky model během tréninku nikdy nevidí.

   Fáze 5 – Vývoj a trénink modelu (měsíce 13–15):

   Architektura:

   • Hluboké konvoluční neuronové sítě (ResNet, EfficientNet, Vision Transformers)
   • Transfer learning z modelů předtrénovaných na ImageNet
   • Multimodální fúze: obrazové rysy + klinická data

   Proces tréninku:

   • Model se iterativně učí předpovídat diagnózy ze snímků + klinických dat
   • Regularizační techniky k prevenci přetrénování (dropout, augmentace dat, časné zastavení)
   • Optimalizace hyperparametrů k nalezení nejlepší konfigurace

   Fáze 6 – Externí validace (měsíce 16–18):

   Model testován na 3 000 validačních snímcích, které během tréninku nikdy neviděl.

   Metriky výkonu (vypočítané pro každou kategorii onemocnění):

   • Senzitivita (pravdivě pozitivní míra)
   • Specificita (pravdivě negativní míra)
   • Pozitivní prediktivní hodnota (přesnost)
   • Negativní prediktivní hodnota
   • Celková přesnost
   • F1-skóre
   • Plocha pod ROC křivkou (AUC-ROC)

   Kritéria úspěchu (předem stanovená):

   • AUC ≥ 0,90 pro každou hlavní patologii
   • Senzitivita ≥ 85 %
   • Specificita ≥ 85 %

   Analýza podskupin:

   Všechny metriky vypočítány pro podskupiny:

   • Podle pohlaví (muž vs žena)
   • Podle věkové skupiny
   • Podle závažnosti onemocnění
   • Podle centra (Místo 1 vs Místo 2)
   • Podle zařízení pro pořízení

   Analýza spravedlnosti:

   Statistické testování k detekci rozdílů ve výkonu mezi podskupinami. Kritérium: žádný klinicky významný rozdíl (rozdíl AUC <0,05) mezi demografickými podskupinami.

   Analýza chyb:

6. Oftalmologičtí vyšetřovatelé ručně zkontrolují všechny chyby modelu, aby identifikovali:
• Pochopitelné chyby (skutečně nejednoznačné případy)
• Závažné chyby (zcela nesprávné diagnózy)
• Systematické vzorce chyb

Fáze 7 – Analýza zkreslení (měsíce 19–21):

Komplexní hodnocení algoritmického zkreslení:

• Zkreslení podle pohlaví
• Zkreslení podle věku
• Zkreslení podle závažnosti onemocnění
• Zkreslení podle vybavení
• Zkreslení podle centra

Fáze 8 – Dokumentace a diseminace (měsíce 22–24):

• Příprava rukopisu k publikaci (cílové časopisy: JAMA Ophthalmology, Ophthalmology, Lancet Digital Health)
• Technická dokumentace
• Zprávy zdravotním autoritám
• Konferenční prezentace

STATISTICKÁ ANALÝZA:

Odůvodnění velikosti vzorku:

S 3 000 validačními snímky a odhadovanými ~750 případy na hlavní diagnostickou kategorii:

• Síla >90 % k detekci AUC 0,90 vs nulová hypotéza 0,80
• 95% intervaly spolehlivosti pro AUC s šířkou ≤0,05
• 95% IS pro senzitivitu 85 %: 82–88 % (s 750 pozitivními případy)
• 95% IS pro specificitu 90 %: 89–91 % (s 2 250 negativními případy)

Tyto úzké intervaly spolehlivosti umožňují přesné závěry o skutečném výkonu modelu.

Primární analýza:

• ROC křivky s DeLongovou metodou pro srovnání AUC
• 95% intervaly spolehlivosti pro všechny metriky výkonu
• McNemarův test pro srovnání chyb modelu vs člověka na nesouhlasných případech

Sekundární analýzy:

• Srovnání výkonu mezi centry
• Analýzy podskupin (pohlaví, věk, závažnost, zařízení)
• Multivariační analýza faktorů ovlivňujících výkon modelu

ETICKÉ ASPEKTY:

Žádost o výjimku z informovaného souhlasu:

Tato studie požádá o výjimku z informovaného souhlasu na základě:

1. Minimálního rizika (žádný zásah, žádný kontakt s pacientem, žádná modifikace léčby)
2. Praktické nemožnosti (15 000 snímků od tisíců pacientů v průběhu let – mnoho nedosažitelných)
3. Kompletní anonymizace (data se nekvalifikují jako „osobní údaje“ podle mezinárodních předpisů)
4. Významného společenského přínosu (potenciál zlepšit detekci onemocnění vedoucích ke slepotě v celé kostarické populaci)
5. Vědeckého precedensu (téměř všechny velké retrospektivní studie vývoje AI fungují pod výjimkou souhlasu)
6. Zachování práv pacientů (pacienti mohou požádat o vyloučení dat)

Zabezpečení dat:

• Úložiště: Google Cloud Platform s certifikací HIPAA
• Šifrování: AES-256 v klidu, TLS 1.3 při přenosu
• Přístup: Povinné vícefaktorové ověření
• Záznam auditu: Kompletní logování všech akcí
• Uchovávání: 5 let po publikaci, poté bezpečná destrukce

Protokol pro náhodné nálezy:

Pokud vyšetřovatel identifikuje dříve nediagnostikovanou závažnou patologii:

1. Vyšetřovatel upozorní hlavního řešitele na místě
2. Hlavní řešitel na místě použije místní šifrovanou propojovací tabulku k identifikaci pacienta
3. Hlavní řešitel na místě kontaktuje původního ošetřujícího lékaře
4. Ošetřující lékař rozhodne, zda kontaktovat pacienta
5. Nález a akce zdokumentovány

OMEZENÍ:

Uznaná omezení:

1. Retrospektivní design – závislý na kvalitě historické dokumentace, nelze standardizovat pořízení snímků
2. Pouze dvě centra – výsledky se nemusí dokonale zobecnit na jiná centra s odlišným vybavením nebo populacemi
3. Specifické pro kostarickou populaci – výsledky specifické pro místní demografii a prevalence (ale to je právě cíl!)
4. Referenční pravda od lidských expertů, kteří jsou omylní – zmírněno systémem dvojitého čtení + rozhodčího řízení

SNÍŽENÍ RIZIKA:

Plány pro potenciální rizika:

• Nedostatečný objem snímků → pilotní fáze ke kalibraci kritérií kvality; zvážit další centra v případě potřeby
• Nadměrná neshoda čtenářů → kalibrační sezení k sjednocení kritérií
• Nedostatečný výkon modelu → iterace s pokročilými architekturami, agresivnější augmentace
• Nedetekovaná zkreslení → komplexní analýza spravedlnosti předprogramovaná
• Porušení zabezpečení dat → infrastruktura kompatibilní s HIPAA, čtvrtletní bezpečnostní audity, plán reakce na incidenty

BUDOUCÍ IMPLEMENTACE:

Toto je pouze vývoj a validace, nikoli klinická implementace.

Pokud bude validace úspěšná, Fáze 2 by byla:

• Prospektivní kontrolovaná studie
• Vyhodnotit reálný klinický dopad: Zlepšuje asistence AI míry detekce? Mění management pacienta? Zlepšuje výsledky?
• Změřit přijatelnost pro kliniky a pacienty
• Posoudit nákladovou efektivitu

Navržený scénář klinického použití (budoucnost):

1. Pacient vyšetřen v rutinní oftalmologické návštěvě
2. Pořízeny standardní diagnostické snímky (fotografie fundu, OCT, zorná pole)
3. Snímky automaticky odeslány do systému AI
4. Systém analyzuje snímky během sekund a generuje zprávu
5. Oftalmolog zkontroluje snímky + zprávu AI

6. Oftalmolog učiní konečné klinické rozhodnutí (AI je asistent, nikoli náhrada)

   Záruky:

   - Lidský lékař vždy učiní konečné rozhodnutí

   • Systém indikuje úroveň důvěry pro každou predikci
   • Výstrahy nízké důvěry spouští doporučení pro druhý názor člověka
   • Sledování shody člověk-AI pro monitorování výkonu

   Kontinuální monitorování (pokud implementováno):

   - Čtvrtletní hodnocení výkonu

   • Roční přetrénování s novými daty
   • Aktualizace při vzniku nového vybavení nebo obrazových modalit

   OČEKÁVANÉ PŘÍSPĚVKY:

   Vědecké:

   - První oftalmologický model AI validovaný specificky v kostarické populaci

   - Rigorózní metodologie replikovatelná jinými latinskoamerickými zeměmi

   • Vysoce kvalitní referenční databáze (15 000 expertně ověřených snímků)
   • Publikace v časopisech s vysokým impakt faktorem

   Klinické:

   - Potenciální diagnostický pomocný nástroj (pokud validace úspěšná)

   - Standardizovaná diagnostická kritéria

   • Vzdělávací materiály

   Zdravotnická politika:

   - Důkazy pro regulační rozhodnutí o lékařském softwaru AI

   • Model pro přístup „nejdříve lokální validace“
   • Příklad veřejno-soukromé spolupráce

   Vzdělávací:

   • Školení místních talentů v lékařské AI
   • Povědomí o algoritmických zkresleních v zdravotnické technologii

   REFERENCE:

   Klíčové studie demonstrující schopnosti AI v oftalmologii:

   • Gulshan V, et al. Vývoj a validace algoritmu hlubokého učení pro detekci diabetické retinopatie na snímcích fundu. JAMA. 2016;316(22):2402–2410.
   • De Fauw J, et al. Klinicky použitelné hluboké učení pro diagnózu a doporučení u onemocnění sítnice. Nat Med. 2018;24(9):1342–1350.
   • Li Z, et al. Účinnost systému hlubokého učení pro detekci glaukomatózní optické neuropatie na základě barevných fotografií fundu. Ophthalmology. 2018;125(8):1199–1206.