Diagnose met behulp van Kunstmatige Intelligentie in de Oogheelkunde (AI-OPHTH-CR)

ACHTERGROND EN RATIONALE:

Oogziekten vormen een belangrijke last voor de volksgezondheid wereldwijd en in Costa Rica. Glaucoom treft wereldwijd meer dan 80 miljoen mensen en is de tweede belangrijkste oorzaak van onomkeerbare blindheid. Diabetische retinopathie is de belangrijkste oorzaak van blindheid bij volwassenen in de werkende leeftijd. Cataract blijft de meest voorkomende oorzaak van omkeerbare visuele beperking wereldwijd. In Costa Rica treffen deze aandoeningen honderdduizenden mensen met aanzienlijke impact op de kwaliteit van leven en economische productiviteit.

HET PROBLEEM - Detectie-uitdagingen:

Vroege detectie van deze ziekten is cruciaal maar kent verschillende uitdagingen:

1. Glaucoom is asymptomatisch in vroege stadia - patiënten merken het gezichtsverlies pas op als aanzienlijke onomkeerbare schade is opgetreden
2. Diabetische retinopathie vereist jaarlijkse screening van alle diabetespatiënten, wat de beschikbare oogheelkundige capaciteit overweldigt
3. Interpretatie van oogheelkundige beelden is tijdrovend en onderhevig aan inter-observer variabiliteit
4. In omgevingen met beperkte middelen is toegang tot expert-oogartsen onvoldoende om alle risicopopulaties te screenen

DE KANS - Kunstmatige Intelligentie:

Recente vooruitgang in deep learning, met name convolutionele neurale netwerken (CNN's), heeft opmerkelijke capaciteit aangetoond in medische beeldanalyse. Studies gepubliceerd in JAMA, Nature en The Lancet hebben aangetoond dat AI-systemen diagnostische nauwkeurigheid bereiken die vergelijkbaar of superieur is aan expert-oogartsen voor diabetische retinopathie (Gulshan et al., 2016), leeftijdsgebonden maculadegeneratie (De Fauw et al., 2018) en glaucoom (Li et al., 2018).

DE KRITIEKE LACUNE - Populatiespecifieke Validatie:

Er bestaat echter een fundamenteel probleem: de meeste AI-systemen werden ontwikkeld en gevalideerd in Aziatische, Europese of Noord-Amerikaanse populaties. Deze systemen generaliseren mogelijk niet goed naar Latijns-Amerikaanse populaties vanwege:

• Verschillende ziekteprevalentiepatronen
• Verschillende demografische kenmerken (leeftijdsverdeling, etnische samenstelling)
• Verschillende apparatuur en protocollen gebruikt in klinische praktijk
• Verschillende structuur en workflows van gezondheidszorgsystemen

Het toepassen van elders ontwikkelde AI-systemen zonder lokale validatie is wetenschappelijk twijfelachtig en potentieel gevaarlijk. Deze studie adresseert deze kritieke lacune door een AI-systeem specifiek voor de Costa Ricaanse populatie te ontwikkelen en valideren.

STUDIEDOELSTELLINGEN:

Primaire doelstelling:

Ontwikkelen en valideren van een AI-systeem voor automatische detectie en classificatie van belangrijke oogheelkundige pathologieën (glaucoom, cataract, diabetische retinopathie, andere retinale ziekten) van multimodale oogheelkundige beelden in de Costa Ricaanse populatie.

Specifieke doelstellingen:

1. Opbouwen van hoogwaardige referentiedatabase van ~15.000 oogheelkundige beelden met expert-geverifieerde diagnoses
2. Ontwikkelen van diepe neurale netwerken die meerdere beeldmodaliteiten en klinische data integreren
3. Valideren van modelprestaties op 3.000 onafhankelijke beelden die nooit tijdens training zijn gezien
4. Analyseren van algoritmische vooroordelen en billijkheid over demografische en klinische subgroepen

5. Beoordelen van haalbaarheid van klinische implementatie in echte oogheelkundige workflows

   STUDIEONTWERP:

   Type: Retrospectieve Diagnostische Technologie Validatie

   Setting: Twee oogheelkundige centra in Costa Rica

   • Locatie 1: Asociados de Mácula y Vítro de Costa Rica, San José (10.000 beelden)
   • Locatie 2: Centro Ocular, Heredia (5.000 beelden)

   Studiepopulatie: Ongeveer 15.000 oogheelkundige beelden van volwassen patiënten (≥18 jaar) die zorg ontvingen bij deelnemende centra

   Beeldmodaliteiten:

   • Fundusfotografie (kleur en autofluorescentie)
   • Optische coherentietomografie (OCT) - posterieure segment
   • Anterieure segment fotografie
   • Geautomatiseerde perimetrie (gezichtsvelden)
   • Video-OCT

   METHODOLOGIE:

   Fase 1 - Beeldextractie (Maanden 1-6):

   Alle beschikbare oogheelkundige beelden die voldoen aan basisinclusiecriteria (leeftijd ≥18 jaar, geschikte modaliteit, vastgelegd tijdens routine klinische zorg) worden automatisch geëxtraheerd uit PACS (Picture Archiving and Communication Systems) op elke locatie. Geen temporele restricties - alle beschikbare historische beelden worden geïncludeerd om datavolume en representativiteit te maximaliseren.

   Fase 2 - Complete Anonimisering (Maanden 1-6):

   Rigoureus anonimiseringsprotocol:

   • Verwijder alle directe identificatoren (naam, ID-nummer, adres, telefoon, e-mail, medisch dossier nummer)
   • Wijs willekeurige anonieme codes toe aan elk beeld
   • Transformeer potentieel identificerende data: exacte geboortedatum → leeftijdsgroep (18-40, 41-60, 61-75, >75); exacte datums → alleen jaar
   • Creëer versleutelde koppelingstabel lokaal opgeslagen alleen voor ethische noodgevallen (bijv. incidentele bevindingen die patiëntmelding vereisen)

   Klinische data behouden (niet-identificerend):

   • Leeftijdsgroep
   • Geslacht
   • Diagnose
   • Intraoculaire druk (mmHg)
   • Best-gecorrigeerde gezichtsscherpte
   • Diabetes mellitus geschiedenis (ja/nee)
   • Recente oogchirurgie (ja/nee)

   Fase 3 - Kwaliteitsbeoordeling en Labeling (Maanden 7-12):

   Dubbele-lezing systeem met adjudicatie:

   Stap 1: Kwaliteitsscreening

   • Elk beeld beoordeeld op diagnostische kwaliteit
   • Accepteren of afwijzen gebaseerd op focus, belichting, gezichtsveld, afwezigheid van grote artefacten
   • Afgewezen beelden permanent uitgesloten

   Stap 2: Onafhankelijke lezing

   • Lezer 1 (Dr. Marissé Masís Solano) wijst onafhankelijk diagnose toe
   • Lezer 2 (Dr. Erick Hernández Bogantes) wijst onafhankelijk diagnose toe
   • Lezers zijn geblindeerd voor elkaars beoordelingen

   Stap 3: Adjudicatie

   • Als lezers overeenkomen → diagnose vastgelegd als definitief
   • Als lezers niet overeenkomen → Adjudicator (Dr. Marissé Masís Solano) maakt definitieve beslissing

   Adjudicator Onafhankelijkheid Rechtvaardiging:

   Dr. Masís voldoet aan alle onafhankelijkheidseisen:

   • Beelden zijn niet van haar eigen patiënten (geen voorafgaande bias)
   • Zij is niet de Hoofdonderzoeker (geen directe druk voor specifieke resultaten)
   • Volledig gekwalificeerd expert-oogarts
   • Voldoet aan Good Clinical Practice standaarden en FDA richtlijnen voor AI medisch apparaat ontwikkeling

   Diagnostische Categorieën:

   • Glaucoom (open-kamerhoek en nauwe-kamerhoek)
   • Cataract (ernst gegradeerd)
   • Diabetische retinopathie (mild, matig, ernstig, proliferatief)
   • Leeftijdsgebonden maculadegeneratie (droog vs nat)
   • Retinale vasculaire occlusie
   • Macula-oedeem
   • Normaal/geen significante pathologie
   • Andere relevante bevindingen

   Fase 4 - Datasplitsing (Maand 13):

   Gestratificeerde willekeurige splitsing met behoud van diagnostische categorie proporties:

   • Trainingsset: 12.000 beelden (80%)
   • Validatieset: 3.000 beelden (20%)

   Strikte scheiding gehandhaafd - validatiebeelden nooit gezien door model tijdens training.

   Fase 5 - Modelontwikkeling en Training (Maanden 13-15):

   Architectuur:

   • Diepe convolutionele neurale netwerken (ResNet, EfficientNet, Vision Transformers)
   • Transfer learning van ImageNet vooraf getrainde modellen
   • Multimodale fusie: beeldkenmerken + klinische data

   Trainingsproces:

   • Model leert iteratief diagnoses te voorspellen van beelden + klinische data
   • Regularisatietechnieken om overfitting te voorkomen (dropout, data-augmentatie, early stopping)
   • Hyperparameter optimalisatie om beste configuratie te vinden

   Fase 6 - Externe Validatie (Maanden 16-18):

   Model getest op 3.000 validatiebeelden die het nooit zag tijdens training.

   Prestatiemetrieken (berekend voor elke ziekte categorie):

   • Sensitiviteit (ware positieve ratio)
   • Specificiteit (ware negatieve ratio)
   • Positief voorspellende waarde (precisie)
   • Negatief voorspellende waarde
   • Algemene nauwkeurigheid
   • F1-score
   • Oppervlak onder ROC-curve (AUC-ROC)

   Succescriteria (vooraf vastgesteld):

   • AUC ≥ 0.90 voor elke belangrijke pathologie
   • Sensitiviteit ≥ 85%
   • Specificiteit ≥ 85%

   Subgroep Analyse:

   Alle metrieken berekend voor subgroepen:

   • Per geslacht (man vs vrouw)
   • Per leeftijdsgroep
   • Per ziekte-ernst
   • Per centrum (Locatie 1 vs Locatie 2)
   • Per opnameapparaat

   Billijkheidsanalyse:

   Statistische testen om prestatieverschillen tussen subgroepen te detecteren. Criterium: geen klinisch significant verschil (AUC verschil <0.05) tussen demografische subgroepen.

   Foutenanalyse:

   Oogarts-onderzoekers zullen alle modelfouten handmatig beoordelen om te identificeren:

   • Begrijpelijke fouten (werkelijk ambigue gevallen)
   • Ernstige fouten (volledig incorrecte diagnoses)
   • Systematische foutenpatronen

   Fase 7 - Bias Analyse (Maanden 19-21):

   Uitgebreide algoritmische bias beoordeling:

   • Geslachtsbias
   • Leeftijdsbias
   • Ziekte-ernst bias
   • Apparatuurbias
   • Centrumbias

   Fase 8 - Documentatie en Disseminatie (Maanden 22-24):

   • Manuscriptvoorbereiding voor publicatie (doeltijdschriften: JAMA Ophthalmology, Ophthalmology, Lancet Digital Health)
   • Technische documentatie
   • Rapporten aan gezondheidsautoriteiten
   • Conferentie presentaties

   STATISTISCHE ANALYSE:

   Steekproefomvang Rechtvaardiging:

   Met 3.000 validatiebeelden en geschatte ~750 gevallen per belangrijke diagnostische categorie:

   • Power >90% om AUC van 0.90 te detecteren vs nulhypothese van 0.80
   • 95% betrouwbaarheidsintervallen voor AUC met breedte ≤0.05
   • 95% BI voor sensitiviteit van 85%: 82-88% (met 750 positieve gevallen)
   • 95% BI voor specificiteit van 90%: 89-91% (met 2.250 negatieve gevallen)

   Deze nauwe betrouwbaarheidsintervallen staan precieze conclusies toe over ware modelprestatie.

   Primaire Analyse:

   • ROC-curves met DeLong methode voor AUC vergelijking
   • 95% betrouwbaarheidsintervallen voor alle prestatiemetrieken
   • McNemar's test voor vergelijking model vs menselijke fouten op discordante gevallen

   Secundaire Analyses:

   • Tussen-centrum prestatievergelijking
   • Subgroepanalyses (geslacht, leeftijd, ernst, apparaat)
   • Multivariate analyse van factoren die modelprestatie beïnvloeden

   ETHISCHE OVERWEGINGEN:

   Informatie en Toestemming Vrijstellingsverzoek:

   Deze studie zal vrijstelling van geïnformeerde toestemming aanvragen gebaseerd op:

1. Minimaal risico (geen interventie, geen patiëntcontact, geen behandelingmodificatie)
2. Praktische onmogelijkheid (15.000 beelden van duizenden patiënten over jaren - velen onbereikbaar)
3. Complete anonimisering (data kwalificeren niet als "persoonlijke data" onder internationale regulaties)
4. Significante maatschappelijke voordelen (potentieel om blindheidsziektedetectie in hele Costa Ricaanse populatie te verbeteren)
5. Wetenschappelijk precedent (vrijwel alle grote retrospectieve AI-ontwikkelingsstudies opereren onder toestemmingsvrijstelling)
6. Patiëntrechten behouden (patiënten kunnen uitsluiting van data aanvragen)

Databeveiliging:

• Opslag: Google Cloud Platform met HIPAA-certificering
• Versleuteling: AES-256 in rust, TLS 1.3 in transit
• Toegang: Multi-factor authenticatie verplicht
• Audit trail: Complete logging van alle acties
• Retentie: 5 jaar na publicatie, daarna veilige vernietiging

Incidentele Bevindingen Protocol:

Als onderzoeker voorheen ongediagnosticeerde ernstige pathologie identificeert:

1. Onderzoeker informeert locatie PI
2. Locatie PI gebruikt lokale versleutelde koppelingstabel om patiënt te identificeren
3. Locatie PI neemt contact op met originele behandelend arts
4. Behandelend arts beslist of patiënt te contacteren
5. Bevinding en actie gedocumenteerd

BEPERKINGEN:

Erkende beperkingen:

1. Retrospectief ontwerp - afhankelijk van historische documentatiekwaliteit, kan beeldopname niet standaardiseren
2. Slechts twee centra - resultaten generaliseren mogelijk niet perfect naar andere centra met verschillende apparatuur of populaties
3. Costa Ricaanse populatie specifiek - resultaten specifiek voor lokale demografie en prevalenties (maar dit is precies het doel!)
4. Grondwaarheid van menselijke experts die feilbaar zijn - gemitigeerd door dubbele-lezing + adjudicatie systeem

RISICOMITIGATIE:

Plannen voor potentiële risico's:

• Onvoldoende beeldvolume → pilotfase om kwaliteitscriteria te kalibreren; overweeg extra centra indien nodig
• Excessieve lezeronenigheid → kalibratiesessies om criteria af te stemmen
• Onvoldoende modelprestatie → itereren met geavanceerde architecturen, meer agressieve augmentatie
• Ongedetecteerde vooroordelen → uitgebreide billijkheidsanalyse voorgeprogrammeerd
• Databeveiligingsinbreuk → HIPAA-conforme infrastructuur, kwartaal veiligheidsaudits, incident response plan

TOEKOMSTIGE IMPLEMENTATIE:

Dit is alleen ontwikkeling en validatie, geen klinische implementatie.

Indien validatie succesvol is, zou Fase 2 zijn:

• Prospectieve gecontroleerde studie
• Evalueer reële klinische impact: Verbetert AI-assistentie detectiepercentages? Verandert patiëntenmanagement? Verbetert uitkomsten?
• Meet klinisch en patiënt acceptabiliteit
• Beoordeel kosteneffectiviteit

Voorgesteld Klinisch Gebruiksscenario (toekomst):

1. Patiënt geëvalueerd in routine oogheelkundig bezoek
2. Standaard diagnostische beelden vastgelegd (fundusfotografie, OCT, gezichtsvelden)
3. Beelden automatisch verzonden naar AI-systeem
4. Systeem analyseert beelden in seconden en genereert rapport
5. Oogarts beoordeelt beelden + AI-rapport

6. Oogarts maakt definitieve klinische beslissing (AI is assistent, geen vervanging)

   Veiligheidsmaatregelen:

   - Menselijk arts maakt altijd definitieve beslissing

   • Systeem geeft betrouwbaarheidsniveau aan voor elke voorspelling
   • Lage betrouwbaarheidswaarschuwingen activeren aanbeveling voor menselijke second opinion
   • Tracking van mens-AI overeenkomst voor prestatiemonitoring

   Continue Monitoring (indien geïmplementeerd):

   - Kwartaal prestatie-evaluatie

   • Jaarlijkse hertraining met nieuwe data
   • Update wanneer nieuwe apparatuur of beeldmodaliteiten opkomen

   VERWACHTE BIJDRAGEN:

   Wetenschappelijk:

   - Eerste AI-oogheelkunde model specifiek gevalideerd in Costa Ricaanse populatie

   - Rigoureuze methodologie repliceerbaar door andere Latijns-Amerikaanse landen

   • Hoogwaardige referentiedatabase (15.000 expert-geverifieerde beelden)
   • Publicaties in hoog-impact tijdschriften

   Klinisch:

   - Potentieel diagnostisch hulpmiddel (indien validatie succesvol)

   - Gestandaardiseerde diagnostische criteria

   • Educatief materiaal

   Gezondheidsbeleid:

   - Bewijs voor regelgevende beslissingen over AI medische software

   • Model voor "lokale validatie eerst" aanpak
   • Publiek-private samenwerking voorbeeld

   Educatief:

   • Training lokaal talent in medische AI
   • Bewustzijn van algoritmische vooroordelen in gezondheidszorgtechnologie

   REFERENTIES:

   Belangrijke studies die AI-capaciteit in oogheelkunde aantonen:

   • Gulshan V, et al. Ontwikkeling en validatie van een deep learning algoritme voor detectie van diabetische retinopathie in retinale fundusfoto's. JAMA. 2016;316(22):2402-2410.
   • De Fauw J, et al. Klinisch toepasbare deep learning voor diagnose en verwijzing in retinale ziekten. Nat Med. 2018;24(9):1342-1350.
   • Li Z, et al. Werkzaamheid van een deep learning systeem voor detectie van glaucomateuze optische neuropathie gebaseerd op kleurenfundusfoto's. Ophthalmology. 2018;125(8):1199-1206.