Kunstig intelligens-assistert diagnose innen oftalmologi (AI-OPHTH-CR)

BAKGRUNN OG RASJONALE:

Øyesykdommer representerer en betydelig folkehelsebyrde globalt og i Costa Rica. Glaukom rammer over 80 millioner mennesker verden over og er den nest største årsaken til irreversibel blindhet. Diabetisk retinopati er den ledende årsaken til blindhet hos voksne i arbeidsfør alder. Grå stær forblir den vanligste årsaken til reversibel synshemming globalt. I Costa Rica rammer disse tilstandene hundretusener av mennesker med betydelig innvirkning på livskvalitet og økonomisk produktivitet.

PROBLEMET – Utfordringer ved oppdagelse:

Tidlig oppdagelse av disse sykdommene er kritisk, men møter flere utfordringer:

1. Glaukom er asymptomatisk i tidlige stadier – pasienter legger ikke merke til synstap før betydelig irreversibel skade har oppstått
2. Diabetisk retinopati krever årlig screening av alle diabetikere, noe som overvelder tilgjengelig oftalmologikapasitet
3. Fortolkning av oftalmologiske bilder er tidkrevende og underlagt variasjon mellom observatører
4. I ressursbegrensede omgivelser er tilgangen til ekspert oftalmologer utilstrekkelig til å screene alle risikopopulasjoner

MULIGHETEN – Kunstig intelligens:

Nylige fremskritt i dyp læring, spesielt konvolusjonelle nevrale nettverk (CNN), har vist bemerkelsesverdig evne i medisinsk bildeanalyse. Studier publisert i JAMA, Nature og The Lancet har vist at KI-systemer oppnår diagnostisk nøyaktighet sammenlignbar eller overlegen ekspert oftalmologer for diabetisk retinopati (Gulshan et al., 2016), aldersrelatert makuladegenerasjon (De Fauw et al., 2018) og glaukom (Li et al., 2018).

DET KRITISKE GAPET – Populasjonsspesifikk validering:

Imidlertid eksisterer et grunnleggende problem: de fleste KI-systemer ble utviklet og validert i asiatiske, europeiske eller nordamerikanske populasjoner. Disse systemene kan ikke generaliseres godt til latinamerikanske populasjoner på grunn av:

• Forskjellige sykdomsforekomstmønstre
• Forskjellige demografiske egenskaper (aldersfordeling, etnisk sammensetning)
• Forskjellig utstyr og protokoller brukt i klinisk praksis
• Forskjellige helsevesenstrukturer og arbeidsflyter

Å anvende KI-systemer utviklet andre steder uten lokal validering er vitenskapelig tvilsomt og potensielt farlig. Denne studien adresserer dette kritiske gapet ved å utvikle og validere et KI-system spesifikt for den costaricanske befolkningen.

STUDIEOBJEKTIVER:

Primært mål:

Utvikle og validere et KI-system for automatisk deteksjon og klassifisering av store oftalmologiske patologier (glaukom, grå stær, diabetisk retinopati, andre netthinnesykdommer) fra multimodale oftalmologiske bilder i den costaricanske befolkningen.

Spesifikke mål:

1. Konstruere en høykvalitets referansedatabase med ~15 000 oftalmologiske bilder med ekspertverifiserte diagnoser
2. Utvikle dype nevrale nettverk som integrerer flere bildemodaliteter og kliniske data
3. Validere modellens ytelse på 3 000 uavhengige bilder som aldri ble sett under trening
4. Analysere algoritmiske skjevheter og rettferdighet på tvers av demografiske og kliniske undergrupper

5. Vurdere gjennomførbarheten av klinisk implementering i reelle oftalmologiarbeidsflyter

   STUDIEDESIGN:

   Type: Retrospektiv diagnostisk teknologi-validering

   Område: To oftalmologisentre i Costa Rica

   • Sted 1: Asociados de Mácula y Vítrio de Costa Rica, San José (10 000 bilder)
   • Sted 2: Centro Ocular, Heredia (5 000 bilder)

   Studiepopulasjon: Omtrent 15 000 oftalmologiske bilder fra voksne pasienter (≥18 år) som mottok behandling ved deltakende sentre

   Bildemodaliteter:

   • Fundusfotografi (farge og autofluorescens)
   • Optisk koherenstomografi (OCT) – bakre segment
   • Fremre segment fotografi
   • Automatisert perimetri (synsfelt)
   • Video-OCT

   METODIKK:

   Fase 1 – Bildeekstraksjon (måned 1–6):

   Alle tilgjengelige oftalmologiske bilder som oppfyller grunnleggende inklusjonskriterier (alder ≥18 år, passende modalitet, tatt under rutinemessig klinisk behandling) vil automatisk ekstraheres fra PACS (Picture Archiving and Communication Systems) på hvert sted. Ingen tidsmessige begrensninger – alle tilgjengelige historiske bilder vil inkluderes for å maksimere datavolum og representativitet.

   Fase 2 – Full anonymisering (måned 1–6):

   Streng anonymiseringsprotokoll:

   • Fjern alle direkte identifikatorer (navn, ID-nummer, adresse, telefon, e-post, pasientjournalnummer)
   • Tilordne tilfeldige anonyme koder til hvert bilde
   • Transformer potensielt identifiserende data: eksakt fødselsdato → aldersgruppe (18–40, 41–60, 61–75, >75); eksakte datoer → kun år
   • Opprette kryptert koblingstabell lagret lokalt kun for etiske nødsituasjoner (f.eks. tilfeldige funn som krever pasientvarsling)

   Kliniske data bevart (ikke-identifiserende):

   • Aldersgruppe
   • Kjønn
   • Diagnose
   • Intraokulært trykk (mmHg)
   • Best korrigert synsskarphet
   • Diabetes mellitus historie (ja/nei)
   • Nylig øyeoperasjon (ja/nei)

   Fase 3 – Kvalitetsvurdering og merking (måned 7–12):

   Dobbelavlesningssystem med avgjørelse:

   Trinn 1: Kvalitetsscreening

   • Hvert bilde gjennomgått for diagnostisk kvalitet
   • Godta eller avvis basert på fokus, belysning, synsfelt, fravær av store artefakter
   • Avviste bilder permanent ekskludert

   Trinn 2: Uavhengig avlesning

   • Leser 1 (Dr. Marissé Masís Solano) tildeler uavhengig diagnose
   • Leser 2 (Dr. Erick Hernández Bogantes) tildeler uavhengig diagnose
   • Lesere er blindet for hverandres vurderinger

   Trinn 3: Avgjørelse

   • Hvis lesere er enige → diagnose registrert som endelig
   • Hvis lesere er uenige → Avgjørelsesperson (Dr. Marissé Masís Solano) tar endelig avgjørelse

   Avgjørelsespersonens uavhengighet begrunnelse:

   Dr. Masís oppfyller alle uavhengighetskrav:

   • Bildene er ikke fra hennes egne pasienter (ingen forhåndsbias)
   • Hun er ikke hovedforskeren (ingen direkte press for spesifikke resultater)
   • Fullt kvalifisert ekspert oftalmolog
   • Overholder Good Clinical Practice standarder og FDA retningslinjer for KI-medisinsk utstyrutvikling

   Diagnostiske kategorier:

   • Glaukom (åpen vinkel og lukket vinkel)
   • Grå stær (alvorlighetsgrad)
   • Diabetisk retinopati (mild, moderat, alvorlig, proliferativ)
   • Aldersrelatert makuladegenerasjon (tørr vs våt)
   • Netthinnevenøs okklusjon
   • Makulaødem
   • Normal/ingen signifikant patologi
   • Andre relevante funn

   Fase 4 – Datadel (måned 13):

   Stratifisert tilfeldig deling som opprettholder diagnostiske kategoriproporsjoner:

   • Treningssett: 12 000 bilder (80 %)
   • Valideringssett: 3 000 bilder (20 %)

   Streng separasjon opprettholdt – valideringsbilder aldri sett av modellen under trening.

   Fase 5 – Modellutvikling og trening (måned 13–15):

   Arkitektur:

   • Dype konvolusjonelle nevrale nettverk (ResNet, EfficientNet, Vision Transformers)
   • Overføringslæring fra ImageNet forhåndstrede modeller
   • Multimodal fusjon: bildefunksjoner + kliniske data

   Treningsprosess:

   • Modellen lærer iterativt å forutsi diagnoser fra bilder + kliniske data
   • Regulariseringsteknikker for å forhindre overtilpasning (dropout, dataaugmentering, tidlig stopp)
   • Hyperparameteroptimalisering for å finne beste konfigurasjon

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

   Modell testet på 3 000 valideringsbilder den aldri så under trening.

   Ytelsesmål (beregnet for hver sykdomskategori):

   • Sensitivitet (sann positiv rate)
   • Spesifisitet (sann negativ rate)
   • Positiv prediktiv verdi (presisjon)
   • Negativ prediktiv verdi
   • Samlet nøyaktighet
   • F1-score
   • Areal under ROC-kurven (AUC-ROC)

   Suksesskriterier (forhåndsfastsatt):

   • AUC ≥ 0,90 for hver hovedpatologi
   • Sensitivitet ≥ 85 %
   • Spesifisitet ≥ 85 %

   Undergruppeanalyse:

   Alle beregninger utført for undergrupper:

   • Etter kjønn (mann vs kvinne)
   • Etter aldersgruppe
   • Etter sykdomsalvorlighetsgrad
   • Etter senter (sted 1 vs sted 2)
   • Etter innfangsingsenhet

   Rettferdighetsanalyse:

   Statistisk testing for å oppdage ytelsesforskjeller mellom undergrupper. Kriterium: ingen klinisk signifikant forskjell (AUC-forskjell <0,05) mellom demografiske undergrupper.

   Feilanalyse:

   Oftalmologiske forskere vil manuelt gjennomgå alle modellfeil for å identifisere:

   • Forståelige feil (autentisk tvetydige tilfeller)
   • Alvorlige feil (helt feil diagnoser)
   • Systematiske feilmønstre

   Fase 7 – Skjevhetsanalyse (måned 19–21):

   Omfattende algoritmisk skjevhetsvurdering:

   • Kjønnsbias
   • Aldersbias
   • Sykdomsalvorlighetsbias
   • Utstyrsbias
   • Senterbias

   Fase 8 – Dokumentasjon og spredning (måned 22–24):

   • Manusforberedelse for publisering (måltidsskrifter: JAMA Ophthalmology, Ophthalmology, Lancet Digital Health)
   • Teknisk dokumentasjon
   • Rapporter til helsemyndigheter
   • Konferansepresentasjoner

   STATISTISK ANALYSE:

   Utvalgsstørrelsebegrunnelse:

   Med 3 000 valideringsbilder og estimert ~750 tilfeller per hoveddiagnostisk kategori:

   • Styrke >90 % for å oppdage AUC på 0,90 vs nullhypotese på 0,80
   • 95 % konfidensintervaller for AUC med bredde ≤0,05
   • 95 % KI for sensitivitet på 85 %: 82–88 % (med 750 positive tilfeller)
   • 95 % KI for spesifisitet på 90 %: 89–91 % (med 2 250 negative tilfeller)

   Disse smale konfidensintervallene tillater presise konklusjoner om sann modellytelse.

   Primæranalyse:

   • ROC-kurver med DeLong-metode for AUC-sammenligning
   • 95 % konfidensintervaller for alle ytelsesmål
   • McNemars test for å sammenligne modell vs menneskelige feil på diskordante tilfeller

   Sekundæranalyser:

   • Mellom-senter ytelsessammenligning
   • Undergruppeanalyser (kjønn, alder, alvorlighetsgrad, enhet)
   • Multivariat analyse av faktorer som påvirker modellens ytelse

   ETISKE OVERVEIELSER:

   Forespørsel om fritak for informert samtykke:

   Denne studien vil be om fritak for informert samtykke basert på:

1. Minimal risiko (ingen intervensjon, ingen pasientkontakt, ingen behandlingsmodifikasjon)
2. Praktisk umulighet (15 000 bilder fra tusenvis av pasienter over år – mange uoppnåelige)
3. Fullstendig anonymisering (data kvalifiserer ikke som «personopplysninger» under internasjonale forskrifter)
4. Betydelig samfunnsnytte (potensial til å forbedre blindhetssykdomsdeteksjon i hele den costaricanske befolkningen)
5. Vitenskapelig presedens (praktisk talt alle store retrospektive KI-utviklingsstudier opererer under samtykkefritak)
6. Pasientrettigheter bevart (pasienter kan be om dataeksklusjon)

Datasikkerhet:

• Lagring: Google Cloud Platform med HIPAA-sertifisering
• Kryptering: AES-256 i ro, TLS 1.3 under overføring
• Tilgang: Multi-faktor autentisering obligatorisk
• Revisjonslogg: Fullstendig logging av alle handlinger
• Oppbevaring: 5 år etter publisering, deretter sikker ødeleggelse

Tilfeldige funn protokoll:

Hvis forsker identifiserer tidligere uoppdaget alvorlig patologi:

1. Forsker varsler stedets hovedforsker
2. Stedets hovedforsker bruker lokal kryptert koblingstabell for å identifisere pasient
3. Stedets hovedforsker kontakter original behandlende lege
4. Behandlende lege avgjør om pasient skal kontaktes
5. Funn og handling dokumentert

BEGRENSNINGER:

Anerkjente begrensninger:

1. Retrospektivt design – avhengig av historisk dokumentasjonskvalitet, kan ikke standardisere bildeinnfangning
2. Kun to sentre – resultater kan ikke perfekt generaliseres til andre sentre med forskjellig utstyr eller populasjoner
3. Costaricansk populasjon spesifikk – resultater spesifikke for lokal demografi og forekomster (men dette er nettopp målet!)
4. Grunnsannhet fra menneskelige eksperter som kan ta feil – redusert ved dobbelavlesning + avgjørelsesystem

RISIKOREDUKSJON:

Planer for potensielle risikoer:

• Utilstrekkelig bildevolum → pilotfase for å kalibrere kvalitetskriterier; vurdere flere sentre om nødvendig
• Overdreven leseruenighet → kalibreringssesjoner for å justere kriterier
• Utilstrekkelig modellytelse → iterer med avanserte arkitekturer, mer aggressiv augmentering
• Uoppdagede skjevheter → omfattende rettferdighetsanalyse forhåndsprogrammert
• Datasikkerhetsbrudd → HIPAA-kompatibel infrastruktur, kvartalsvise sikkerhetsrevisjoner, hendelseshåndteringsplan

FREMTIDIG IMPLEMENTERING:

Dette er kun utvikling og validering, ikke klinisk implementering.

Hvis validering er vellykket, ville fase 2 være:

• Prospektiv kontrollert studie
• Evaluere ekte klinisk innvirkning: Forbedrer KI-assistanse deteksjonsrater? Endrer pasienthåndtering? Forbedrer utfall?
• Måle kliniker- og pasientaksept
• Vurdere kostnadseffektivitet

Foreslått klinisk bruksscenario (fremtid):

1. Pasient evaluert i rutinemessig oftalmologibesøk
2. Standard diagnostiske bilder tatt (fundusfotografi, OCT, synsfelt)
3. Bilder automatisk sendt til KI-system
4. System analyserer bilder på sekunder og genererer rapport
5. Oftalmolog gjennomgår bilder + KI-rapport

6. Oftalmolog tar endelig klinisk avgjørelse (KI er assistent, ikke erstatning)

   Sikkerhetstiltak:

   - Menneskelig lege tar alltid endelig avgjørelse

   • System indikerer konfidensnivå for hver prediksjon
   • Lav konfidensalarmer utløser anbefaling om menneskelig second opinion
   • Sporing av menneske-KI-enighet for ytelsesovervåkning

   Kontinuerlig overvåkning (hvis implementert):

   - Kvartalsvis ytelsesevaluering

   • Årlig omtrening med nye data
   • Oppdatering når nytt utstyr eller bildemodaliteter oppstår

   FORVENTEDE BIDRAG:

   Vitenskapelige:

   - Første KI-oftalmologimodell validert spesifikt i costaricansk populasjon

   - Streng metodikk replikerbar av andre latinamerikanske land

   • Høykvalitets referansedatabase (15 000 ekspertverifiserte bilder)
   • Publiseringer i høyprestasjons tidsskrifter

   Kliniske:

   - Potensielt diagnostisk hjelpemiddel (hvis validering vellykket)

   - Standardiserte diagnostiske kriterier

   • Undervisningsmateriale

   Helsepolitikk:

   - Bevis for regulatoriske beslutninger om KI-medisinsk programvare

   • Modell for «lokal validering først»-tilnærming
   • Offentlig-privat samarbeidseksempel

   Utdanningsmessige:

   • Trening av lokalt talent i medisinsk KI
   • Bevissthet om algoritmiske skjevheter i helseteknologi

   REFERANSER:

   Nøkkelstudier som demonstrerer KI-evne i oftalmologi:

   • Gulshan V, et al. Utvikling og validering av en dyp læringsalgoritme for deteksjon av diabetisk retinopati i netthinnefundusfotografier. JAMA. 2016;316(22):2402–2410.
   • De Fauw J, et al. Klinisk anvendelig dyp læring for diagnose og henvisning i netthinnesykdom. Nat Med. 2018;24(9):1342–1350.
   • Li Z, et al. Effektivitet av et dyp læringssystem for deteksjon av glaukomatøs optisk nevropati basert på fargefundusfotografier. Ophthalmology. 2018;125(8):1199–1206.