Kunstig intelligens-assisteret diagnose inden for oftalmologi (AI-OPHTH-CR)

BAGGUND OG BEGRUNDELSE:

Øjensygdomme udgør en betydelig folkesundhedsbyrde globalt og i Costa Rica. Glaukom rammer over 80 millioner mennesker på verdensplan og er den anden største årsag til irreversibel blindhed. Diabetisk retinopati er den førende årsag til blindhed hos voksne i arbejdsdygtig alder. Katarakt forbliver den mest almindelige årsag til reversibel synsnedsættelse globalt. I Costa Rica påvirker disse tilstande hundredetusinder af mennesker med betydelig indvirkning på livskvalitet og økonomisk produktivitet.

PROBLEMET - Udfordringer ved opdagelse:

Tidlig opdagelse af disse sygdomme er afgørende, men står over for flere udfordringer:

1. Glaukom er asymptomatisk i tidlige stadier - patienter bemærker ikke synstab før betydelig irreversibel skade er sket
2. Diabetisk retinopati kræver årlig screening af alle diabetikere, hvilket overvælder tilgængelig oftalmologisk kapacitet
3. Fortolkning af oftalmologiske billeder er tidskrævende og underlagt variation mellem observatører
4. I ressourcestramme miljøer er adgangen til ekspert-oftalmologer utilstrækkelig til at screene alle risikopopulationer

MULIGHEDEN - Kunstig intelligens:

Nylige fremskridt inden for deep learning, især convolutional neural networks (CNNs), har demonstreret bemærkelsesværdig evne inden for medicinsk billedanalyse. Studier offentliggjort i JAMA, Nature og The Lancet har vist, at AI-systemer opnår diagnostisk nøjagtighed svarende eller overlegen ekspert-oftalmologer for diabetisk retinopati (Gulshan et al., 2016), aldersrelateret makuladegeneration (De Fauw et al., 2018) og glaukom (Li et al., 2018).

DET KRITISKE HUL - Populationsspecifik validering:

Der eksisterer dog et grundlæggende problem: de fleste AI-systemer blev udviklet og valideret i asiatiske, europæiske eller nordamerikanske populationer. Disse systemer generaliserer muligvis ikke godt til latinamerikanske populationer på grund af:

• Forskellige sygdomsforekomstmønstre
• Forskellige demografiske karakteristika (aldersfordeling, etnisk sammensætning)
• Forskelligt udstyr og protokoller brugt i klinisk praksis
• Forskellige sundhedssystemstrukturer og arbejdsgange

Anvendelse af AI-systemer udviklet andetsteds uden lokal validering er videnskabeligt tvivlsomt og potentielt farligt. Dette studie adresserer dette kritiske hul ved at udvikle og validere et AI-system specifikt til den costaricanske population.

STUDIE MÅL:

Primært mål:

Udvikle og validere et AI-system til automatisk detektion og klassifikation af større oftalmologiske patologier (glaukom, katarakt, diabetisk retinopati, andre nethindesygdomme) fra multimodal oftalmologiske billeder i costaricanske population.

Specifikke mål:

1. Konstruere højkvalitets reference-database på ~15.000 oftalmologiske billeder med ekspertverificerede diagnoser
2. Udvikle dybe neurale netværk, der integrerer multiple billedmodaliteter og kliniske data
3. Validere modelydelse på 3.000 uafhængige billeder, der aldrig er set under træning
4. Analysere algoritmiske bias og lighed på tværs af demografiske og kliniske undergrupper

5. Vurdere gennemførlighed af klinisk implementering i reelle oftalmologiske arbejdsgange

   STUDIEDESIGN:

   Type: Retrospektiv diagnostisk teknologi-validering

   Indstilling: To oftalmologiske centre i Costa Rica

   • Sted 1: Asociados de Mácula y Vítrio de Costa Rica, San José (10.000 billeder)
   • Sted 2: Centro Ocular, Heredia (5.000 billeder)

   Studiepopulation: Omkring 15.000 oftalmologiske billeder fra voksne patienter (≥18 år), der modtog behandling på deltagende centre

   Billedmodaliteter:

   • Fundus fotografi (farve og autofluorescens)
   • Optisk koherenstomografi (OCT) - posterior segment
   • Anterior segment fotografi
   • Automatiseret perimetri (synsfelter)
   • Video-OCT

   METODOLOGI:

   Fase 1 - Billedekstraktion (måned 1-6):

   Alle tilgængelige oftalmologiske billeder, der opfylder grundlæggende inklusionskriterier (alder ≥18 år, passende modalitet, optaget under rutinemæssig klinisk pleje), vil automatisk blive ekstraheret fra PACS (Picture Archiving and Communication Systems) på hvert sted. Ingen tidsmæssige begrænsninger - alle tilgængelige historiske billeder vil blive inkluderet for at maksimere datavolumen og repræsentativitet.

   Fase 2 - Komplet anonymisering (måned 1-6):

   Streng anonymiseringsprotokol:

   • Fjern alle direkte identifikatorer (navn, ID-nummer, adresse, telefon, e-mail, journalnummer)
   • Tildel tilfældige anonyme koder til hvert billede
   • Transformer potentielt identificerende data: præcis fødselsdato → aldersgruppe (18-40, 41-60, 61-75, >75); præcise datoer → kun år
   • Opret krypteret koblingstabel gemt lokalt kun for etiske nødsituationer (f.eks. tilfældige fund, der kræver patientmeddelelse)

   Kliniske data bevaret (ikke-identificerende):

   • Aldersgruppe
   • Køn
   • Diagnose
   • Intraokulært tryk (mmHg)
   • Bedst-korrigeret synsskarphed
   • Diabetes mellitus historie (ja/nej)
   • Nylig øjenoperation (ja/nej)

   Fase 3 - Kvalitetsvurdering og mærkning (måned 7-12):

   Dobbeltaflæsningssystem med adjudicering:

   Trin 1: Kvalitetsscreening

   • Hvert billede gennemgået for diagnostisk kvalitet
   • Acceptér eller afvis baseret på fokus, belysning, synsfelt, fravær af større artefakter
   • Afviste billeder permanent udelukket

   Trin 2: Uafhængig aflæsning

   • Læser 1 (Dr. Marissé Masís Solano) tildeler uafhængigt diagnose
   • Læser 2 (Dr. Erick Hernández Bogantes) tildeler uafhængigt diagnose
   • Læsere er blindede for hinandens vurderinger

   Trin 3: Adjudicering

   • Hvis læsere er enige → diagnose registreret som endelig
   • Hvis læsere er uenige → Adjudicator (Dr. Marissé Masís Solano) træffer endelig beslutning

   Adjudicator Uafhængighedsbegrundelse:

   Dr. Masís opfylder alle uafhængighedskrav:

   • Billeder er ikke fra hendes egne patienter (ingen forudindtagethed)
   • Hun er ikke hovedforskeren (ingen direkte pres for specifikke resultater)
   • Fuldt kvalificeret ekspert-oftalmolog
   • Overholder Good Clinical Practice standarder og FDA-retningslinjer for AI-medicinsk udstyr udvikling

   Diagnostiske kategorier:

   • Glaukom (open-angle og angle-closure)
   • Katarakt (sværhedsgrad graderet)
   • Diabetisk retinopati (mild, moderat, svær, proliferativ)
   • Aldersrelateret makuladegeneration (tør vs våd)
   • Retinal vaskulær okklusion
   • Makulaødem
   • Normal/ingen signifikant patologi
   • Andre relevante fund

   Fase 4 - Datadeling (måned 13):

   Stratificeret tilfældig deling, der opretholder diagnostiske kategoriproportioner:

   • Træningssæt: 12.000 billeder (80%)
   • Valideringssæt: 3.000 billeder (20%)

   Streng adskillelse opretholdt - valideringsbilleder aldrig set af model under træning.

   Fase 5 - Modeludvikling og træning (måned 13-15):

   Arkitektur:

   • Dybe convolutionelle neurale netværk (ResNet, EfficientNet, Vision Transformers)
   • Transfer learning fra ImageNet fortrænede modeller
   • Multimodal fusion: billedfunktioner + kliniske data

   Træningsproces:

   • Model lærer iterativt at forudsige diagnoser fra billeder + kliniske data
   • Regulariseringsteknikker for at forhindre overfitting (dropout, data augmentation, early stopping)
   • Hyperparameteroptimering for at finde bedste konfiguration

   Fase 6 - Ekstern validering (måned 16-18):

   Model testet på 3.000 valideringsbilleder, den aldrig så under træning.

   Ydelsesmålinger (beregnet for hver sygdomskategori):

   • Sensitivitet (sand positiv rate)
   • Specificitet (sand negativ rate)
   • Positiv prædiktiv værdi (præcision)
   • Negativ prædiktiv værdi
   • Samlet nøjagtighed
   • F1-score
   • Areal under ROC-kurve (AUC-ROC)

   Succeskriterier (forud fastlagt):

   • AUC ≥ 0,90 for hver større patologi
   • Sensitivitet ≥ 85%
   • Specificitet ≥ 85%

   Undergruppeanalyse:

   Alle målinger beregnet for undergrupper:

   • Efter køn (mand vs kvinde)
   • Efter aldersgruppe
   • Efter sygdoms sværhedsgrad
   • Efter center (Sted 1 vs Sted 2)
   • Efter optagelsesenhed

   Lighedsanalyse:

   Statistisk test for at opdage ydeevneforskel mellem undergrupper. Kriterium: ingen klinisk signifikant forskel (AUC forskel <0,05) mellem demografiske undergrupper.

   Fejlanalyse:

   Oftalmologiske forskere vil manuelt gennemgå alle modelfejl for at identificere:

   • Forståelige fejl (genuint tvetydige tilfælde)
   • Alvorlige fejl (fuldstændig forkerte diagnoser)
   • Systematiske fejlmønstre

   Fase 7 - Biasanalyse (måned 19-21):

   Omfattende algoritmisk biasvurdering:

   • Kønsbias
   • Aldersbias
   • Sygdomssværhedsbias
   • Udstyrsbias
   • Centerbias

   Fase 8 - Dokumentation og formidling (måned 22-24):

   • Manuskriptforberedelse til publicering (måltidsskrifter: JAMA Ophthalmology, Ophthalmology, Lancet Digital Health)
   • Teknisk dokumentation
   • Rapporter til sundhedsmyndigheder
   • Konferencepræsentationer

   STATISTISK ANALYSE:

   Stikprøvestørrelsesbegrundelse:

   Med 3.000 valideringsbilleder og estimeret ~750 tilfælde per større diagnostisk kategori:

   • Power >90% til at detektere AUC på 0,90 vs nulhypotese på 0,80
   • 95% konfidensintervaller for AUC med bredde ≤0,05
   • 95% KI for sensitivitet på 85%: 82-88% (med 750 positive tilfælde)
   • 95% KI for specificitet på 90%: 89-91% (med 2.250 negative tilfælde)

   Disse snævre konfidensintervaller tillader præcise konklusioner om sand modelydelse.

   Primær analyse:

   • ROC-kurver med DeLong-metode til AUC-sammenligning
   • 95% konfidensintervaller for alle ydelsesmålinger
   • McNemars test til sammenligning af model vs menneskelige fejl på diskordante tilfælde

   Sekundære analyser:

   • Mellem-center ydeevnesammenligning
   • Undergruppeanalyser (køn, alder, sværhedsgrad, enhed)
   • Multivariat analyse af faktorer, der påvirker modelydelse

   ETISKE OVERVEJELSER:

   Informert samtykke fritagelse anmodning:

   Dette studie vil anmode om fritagelse for informeret samtykke baseret på:

1. Minimal risiko (ingen intervention, ingen patientkontakt, ingen behandlingsændring)
2. Praktisk umulighed (15.000 billeder fra tusinder af patienter over år - mange uopnåelige)
3. Komplet anonymisering (data kvalificerer sig ikke som "personlige data" under internationale regler)
4. Betydelig social fordel (potentiale til at forbedre blindhedssygdomsopdagelse i hele den costaricanske population)
5. Videnskabeligt præcedens (næsten alle store retrospektive AI-udviklingsstudier opererer under samtykke fritagelse)
6. Patientrettigheder bevaret (patienter kan anmode om dataeksklusion)

Datasikkerhed:

• Opbevaring: Google Cloud Platform med HIPAA-certificering
• Kryptering: AES-256 i hvile, TLS 1.3 under transmission
• Adgang: Multi-faktor godkendning obligatorisk
• Revisionsspor: Komplet logning af alle handlinger
• Opbevaring: 5 år efter publicering, derefter sikker ødelæggelse

Tilfældige fund protokol:

Hvis forsker identificerer tidligere uopdaget alvorlig patologi:

1. Forsker underretter sted PI
2. Sted PI bruger lokal krypteret koblingstabel til at identificere patient
3. Sted PI kontakter oprindelig behandlende læge
4. Behandlende læge beslutter om patient skal kontaktes
5. Fund og handling dokumenteret

BEGRÆNSNINGER:

Anerkendte begrænsninger:

1. Retrospektivt design - afhængig af historisk dokumentationskvalitet, kan ikke standardisere billedoptagelse
2. Kun to centre - resultater generaliserer muligvis ikke perfekt til andre centre med forskelligt udstyr eller populationer
3. Costaricanske populationsspecifikke - resultater specifikke for lokale demografi og forekomster (men dette er netop målet!)
4. Grundsandhed fra menneskelige eksperter, der er fejlbarlige - afbødet af dobbeltaflæsning + adjudiceringssystem

RISIKOMINDBEREDNING:

Planer for potentielle risici:

• Utilstrækkelig billedvolumen → pilotfase til at kalibrere kvalitetskriterier; overvej yderligere centre om nødvendigt
• Overdreven læseruenighed → kalibreringssessioner for at justere kriterier
• Utilstrækkelig modelydelse → iterer med avancerede arkitekturer, mere aggressiv augmentation
• Uopdaget bias → omfattende lighedsanalyse forprogrammeret
• Datasikkerhedsbrud → HIPAA-kompatibel infrastruktur, kvartalsvise sikkerhedsaudits, hændelsesresponsplan

FREMTIDIG IMPLEMENTERING:

Dette er kun udvikling og validering, ikke klinisk implementering.

Hvis validering er succesfuld, ville Fase 2 være:

• Prospektivt kontrolleret studie
• Evaluer reel klinisk påvirkning: Forbedrer AI-assistance opdagelsesrater? Ændrer patienthåndtering? Forbedrer resultater?
• Mål kliniker- og patientaccept
• Vurder omkostningseffektivitet

Foreslået klinisk brugsscenarie (fremtid):

1. Patient evalueret i rutinemæssigt oftalmologisk besøg
2. Standard diagnostiske billeder optaget (fundus fotografi, OCT, synsfelter)
3. Billeder automatisk sendt til AI-system
4. System analyserer billeder på sekunder og genererer rapport
5. Oftalmolog gennemgår billeder + AI-rapport

6. Oftalmolog træffer endelig klinisk beslutning (AI er assistent, ikke erstatning)

   Sikkerhedsforanstaltninger:

   - Menneskelig læge træffer altid endelig beslutning

   • System indikerer konfidensniveau for hver forudsigelse
   • Lav konfidensadvarsler udløser anbefaling for menneskelig second opinion
   • Sporing af menneske-AI-overensstemmelse til ydeevneovervågning

   Kontinuerlig overvågning (hvis implementeret):

   - Kvartalsvis ydeevneevaluering

   • Årlig genoptagelse med nye data
   • Opdatering, når nyt udstyr eller billedmodaliteter opstår

   FORVENTEDE BIDRAG:

   Videnskabelige:

   - Første AI-oftalmologimodel valideret specifikt i costaricanske population

   - Streng metodologi replikerbar af andre latinamerikanske lande

   • Højkvalitets reference-database (15.000 ekspertverificerede billeder)
   • Publikationer i høj-indvirkning tidsskrifter

   Kliniske:

   - Potentielt diagnostisk assistentværktøj (hvis validering succesfuld)

   - Standardiserede diagnostiske kriterier

7. Uddannelsesmateriale

Sundhedspolitik:

- Evidens for regulatoriske beslutninger om AI-medicinsk software

• Model for "lokal validering først" tilgang
• Offentlig-privat samarbejde eksempel

Uddannelsesmæssige:

• Træning af lokal talent inden for medicinsk AI
• Bevidsthed om algoritmiske bias i sundhedsteknologi

REFERENCER:

Nøglestudier, der demonstrerer AI-evne inden for oftalmologi:

• Gulshan V, et al. Udvikling og validering af en deep learning algoritme til detektion af diabetisk retinopati i retinale fundus fotografier. JAMA. 2016;316(22):2402-2410.
• De Fauw J, et al. Klinisk anvendelig deep learning til diagnose og henvisning i nethindesygdom. Nat Med. 2018;24(9):1342-1350.
• Li Z, et al. Effektivitet af et deep learning system til detektion af glaukomatøs optisk neuropati baseret på farve fundus fotografier. Ophthalmology. 2018;125(8):1199-1206.