Artificiell intelligens-assisterad diagnostik inom oftalmologi (AI-OPHTH-CR)

BAKGRUND OCH MOTIVERING:

Ögonsjukdomar utgör ett stort folkhälsoproblem globalt och i Costa Rica. Glaukom drabbar över 80 miljoner människor världen över och är den näst vanligaste orsaken till irreversibel blindhet. Diabetisk retinopati är den främsta orsaken till blindhet hos vuxna i arbetsför ålder. Katarakt förblir den vanligaste orsaken till reversibel synnedsättning globalt. I Costa Rica drabbar dessa tillstånd hundratusentals människor med betydande inverkan på livskvalitet och ekonomisk produktivitet.

PROBLEMET – Utmaningar med upptäckt:

Tidig upptäckt av dessa sjukdomar är avgörande men möter flera utmaningar:

1. Glaukom är asymptomatiskt i tidiga stadier – patienter märker inte synförlust förrän betydande irreversibel skada har inträffat
2. Diabetisk retinopati kräver årlig screening av alla diabetiker, vilket överstiger tillgänglig ögonläkarkapacitet
3. Tolkning av oftalmologiska bilder är tidskrävande och föremål för variation mellan observatörer
4. I resursbegränsade miljöer är tillgången till expertögonläkare otillräcklig för att screena alla riskgrupper

MÖJLIGHETEN – Artificiell intelligens:

Nya framsteg inom djupinlärning, särskilt faltningsneurala nätverk (CNN), har visat anmärkningsvärd förmåga inom medicinsk bildanalys. Studier publicerade i JAMA, Nature och The Lancet har visat att AI-system uppnår diagnostisk noggrannhet jämförbar eller överlägsen expertögonläkare för diabetisk retinopati (Gulshan et al., 2016), åldersrelaterad makuladegeneration (De Fauw et al., 2018) och glaukom (Li et al., 2018).

DET KRITISKA GAPET – Populationsspecifik validering:

Ett grundläggande problem finns dock: de flesta AI-system utvecklades och validerades i asiatiska, europeiska eller nordamerikanska populationer. Dessa system kanske inte generaliserar väl till latinamerikanska populationer på grund av:

• Olika sjukdomsprevalensmönster
• Olika demografiska egenskaper (åldersfördelning, etnisk sammansättning)
• Olika utrustning och protokoll som används i klinisk praxis
• Olika hälso- och sjukvårdssystemstrukturer och arbetsflöden

Att tillämpa AI-system utvecklade på andra håll utan lokal validering är vetenskapligt tveksamt och potentiellt farligt. Denna studie adresserar detta kritiska gap genom att utveckla och validera ett AI-system specifikt för den costaricanska populationen.

STUDIEÖVERGRIPANDE MÅL:

Primärt mål:

Utveckla och validera ett AI-system för automatisk detektering och klassificering av större oftalmologiska patologier (glaukom, katarakt, diabetisk retinopati, andra näthinnesjukdomar) från multimodala oftalmologiska bilder i den costaricanska populationen.

Specifika mål:

1. Konstruera en hög kvalitetsreferensdatabas med ~15 000 oftalmologiska bilder med expertverifierade diagnoser
2. Utveckla djupa neurala nätverk som integrerar flera bildmodaliteter och kliniska data
3. Validera modellens prestanda på 3 000 oberoende bilder som aldrig setts under träning
4. Analysera algoritmiska bias och rättvisa över demografiska och kliniska undergrupper

5. Utvärdera genomförbarheten av klinisk implementering i verkliga oftalmologiska arbetsflöden

   STUDIEDESIGN:

   Typ: Retrospektiv diagnostisk teknologi-validering

   Miljö: Två oftalmologiska centra i Costa Rica

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

   Studiepopulation: Cirka 15 000 oftalmologiska bilder från vuxna patienter (≥18 år) som fått vård vid deltagande centra

   Bildmodaliteter:

   • Fundusfotografi (färg och autofluorescens)
   • Optisk koherenstomografi (OCT) – bakre segmentet
   • Fotografi av främre segmentet
   • Automatisk perimetri (synfält)
   • Video-OCT

   METODIK:

   Fas 1 – Bildextraktion (månad 1–6):

   Alla tillgängliga oftalmologiska bilder som uppfyller grundläggande inklusionskriterier (ålder ≥18 år, lämplig modalitet, tagna under rutinmässig klinisk vård) kommer automatiskt extraheras från PACS (Picture Archiving and Communication Systems) på varje plats. Inga tidsbegränsningar – alla tillgängliga historiska bilder kommer inkluderas för att maximera datavolym och representativitet.

   Fas 2 – Fullständig anonymisering (månad 1–6):

   Strikt anonymiseringsprotokoll:

   • Ta bort alla direkta identifierare (namn, ID-nummer, adress, telefon, e-post, journalnummer)
   • Tilldela slumpmässiga anonyma koder till varje bild
   • Transformera potentiellt identifierande data: exakt födelsedatum → åldersgrupp (18–40, 41–60, 61–75, >75); exakta datum → endast år
   • Skapa krypterad länkningstabell lagrad lokalt endast för etiska nödsituationer (t.ex. tillfälliga fynd som kräver patientmeddelande)

   Kliniska data bevarade (icke-identifierande):

   • Åldersgrupp
   • Kön
   • Diagnos
   • Intraokulärt tryck (mmHg)
   • Bäst korrigerad synskärpa
   • Diabetes mellitus historia (ja/nej)
   • Nyligen genomgången ögonkirurgi (ja/nej)

   Fas 3 – Kvalitetsbedömning och etikettering (månad 7–12):

   Dubbelläsningssystem med beslut:

   Steg 1: Kvalitetsscreening

   • Varje bild granskas för diagnostisk kvalitet
   • Acceptera eller avvisa baserat på fokus, belysning, synfält, frånvaro av större artefakter
   • Avvisade bilder permanent exkluderade

   Steg 2: Oberoende läsning

   • Läsare 1 (Dr. Marissé Masís Solano) tilldelar oberoende diagnos
   • Läsare 2 (Dr. Erick Hernández Bogantes) tilldelar oberoende diagnos
   • Läsare är förblindade för varandras bedömningar

   Steg 3: Beslut

   • Om läsare överensstämmer → diagnos registrerad som slutgiltig
   • Om läsare inte överensstämmer → Beslutsfattare (Dr. Marissé Masís Solano) fattar slutgiltigt beslut

   Beslutsfattare oberoende motivering:

   Dr. Masís uppfyller alla oberoendekrav:

   • Bilderna är inte från hennes egna patienter (ingen tidigare bias)
   • Hon är inte huvudansvarig forskare (inget direkt tryck för specifika resultat)
   • Fullt kvalificerad expertögonläkare
   • Följer Good Clinical Practice-standarder och FDA-riktlinjer för AI-medicinteknikutveckling

   Diagnostiska kategorier:

   • Glaukom (öppenvinkel och trångvinkel)
   • Katarakt (allvarlighetsgrad graderad)
   • Diabetisk retinopati (mild, måttlig, svår, proliferativ)
   • Åldersrelaterad makuladegeneration (torr vs våt)
   • Retinal vaskulär ocklusion
   • Makulärt ödem
   • Normal/ingen signifikant patologi
   • Andra relevanta fynd

   Fas 4 – Datadelning (månad 13):

   Stratifierad slumpmässig delning som upprätthåller diagnostiska kategoriproportioner:

   • Träningsuppsättning: 12 000 bilder (80%)
   • Valideringsuppsättning: 3 000 bilder (20%)

   Strikt separation upprätthållen – valideringsbilder aldrig sedda av modellen under träning.

   Fas 5 – Modellutveckling och träning (månad 13–15):

   Arkitektur:

   • Djupa faltningsneurala nätverk (ResNet, EfficientNet, Vision Transformers)
   • Överföringsinlärning från ImageNet-förtränade modeller
   • Multimodal fusion: bildfunktioner + kliniska data

   Träningsprocess:

   • Modellen lär sig iterativt att förutsäga diagnoser från bilder + kliniska data
   • Regulariseringstekniker för att förhindra överanpassning (dropout, dataaugmentering, tidigt stopp)
   • Hyperparameteroptimering för att hitta bästa konfiguration

   Fas 6 – Extern validering (månad 16–18):

   Modell testad på 3 000 valideringsbilder den aldrig såg under träning.

   Prestandamått (beräknade för varje sjukdomskategori):

   • Sensitivitet (sann positiv frekvens)
   • Specificitet (sann negativ frekvens)
   • Positivt prediktivt värde (precision)
   • Negativt prediktivt värde
   • Övergripande noggrannhet
   • F1-poäng
   • Area under ROC-kurvan (AUC-ROC)

   Framgångskriterier (förutbestämda):

   • AUC ≥ 0,90 för varje större patologi
   • Sensitivitet ≥ 85%
   • Specificitet ≥ 85%

   Undergruppsanalys:

   Alla mått beräknade för undergrupper:

   • Efter kön (man vs kvinna)
   • Efter åldersgrupp
   • Efter sjukdomsallvarlighetsgrad
   • Efter center (plats 1 vs plats 2)
   • Efter inspelningsenhet

   Rättviseanalys:

   Statistisk testning för att upptäcka prestandaskillnader mellan undergrupper. Kriterium: ingen kliniskt signifikant skillnad (AUC-skillnad <0,05) mellan demografiska undergrupper.

   Felsanalys:

   Oftalmologiska forskare kommer manuellt granska alla modellfel för att identifiera:

   • Förståeliga fel (verkligt tvetydiga fall)
   • Allvarliga fel (helt felaktiga diagnoser)
   • Systematiska felmönster

   Fas 7 – Biasanalys (månad 19–21):

   Omfattande algoritmisk biasbedömning:

   • Könsbias
   • Åldersbias
   • Sjukdomsallvarlighetsgradsbias
   • Utrustningsbias
   • Centerbias

   Fas 8 – Dokumentation och spridning (månad 22–24):

   • Manusberedning för publicering (måljournaler: JAMA Ophthalmology, Ophthalmology, Lancet Digital Health)
   • Teknisk dokumentation
   • Rapporter till hälso- och sjukvårdsmyndigheter
   • Konferenspresentationer

   STATISTISK ANALYS:

   Stickprovsstorleksmotivering:

   Med 3 000 valideringsbilder och uppskattade ~750 fall per större diagnostisk kategori:

   • Power >90% för att upptäcka AUC på 0,90 mot nollhypotes på 0,80
   • 95% konfidensintervall för AUC med bredd ≤0,05
   • 95% CI för sensitivitet på 85%: 82–88% (med 750 positiva fall)
   • 95% CI för specificitet på 90%: 89–91% (med 2 250 negativa fall)

   Dessa smala konfidensintervall möjliggör precisa slutsatser om sann modellprestanda.

   Primäranalys:

   • ROC-kurvor med DeLong-metod för AUC-jämförelse
   • 95% konfidensintervall för alla prestandamått
   • McNemars test för att jämföra modell vs mänskliga fel på diskordanta fall

   Sekundära analyser:

   • Mellan-center prestandajämförelse
   • Undergruppsanalyser (kön, ålder, allvarlighetsgrad, enhet)
   • Multivariat analys av faktorer som påverkar modellprestanda

   ETISKA ÖVERVÄGANDEN:

   Begäran om undantag från informerat samtycke:

   Denna studie kommer begära undantag från informerat samtycke baserat på:

1. Minimal risk (inget ingrepp, ingen patientkontakt, ingen behandlingsmodifiering)
2. Praktisk omöjlighet (15 000 bilder från tusentals patienter över år – många oåtkomliga)
3. Fullständig anonymisering (data kvalificerar inte som ”personuppgifter” enligt internationella regler)
4. Betydande samhällsnytta (potential att förbättra blindhetssjukdomsdetektering i hela den costaricanska populationen)
5. Vetenskaplig precedent (i princip alla stora retrospektiva AI-utvecklingsstudier verkar under samtyckesundantag)
6. Patienträttigheter bevarade (patienter kan begära dataexkludering)

Datasäkerhet:

• Lagring: Google Cloud Platform med HIPAA-certifiering
• Kryptering: AES-256 i vila, TLS 1.3 under överföring
• Åtkomst: Multifaktorautentisering obligatorisk
• Granskningsspår: Komplett loggning av alla åtgärder
• Kvarhållning: 5 år efter publicering, sedan säker förstörelse

Protokoll för tillfälliga fynd:

Om forskare identifierar tidigare odiagnostiserad allvarlig patologi:

1. Forskare meddelar plats PI
2. Plats PI använder lokal krypterad länkningstabell för att identifiera patient
3. Plats PI kontaktar ursprunglig behandlande läkare
4. Behandlande läkare beslutar om att kontakta patient
5. Fynd och åtgärd dokumenteras

BEGRÄNSNINGAR:

Erkända begränsningar:

1. Retrospektiv design – beroende av historisk dokumentationskvalitet, kan inte standardisera bildinspelning
2. Endast två centra – resultat kanske inte perfekt generaliserar till andra centra med olika utrustning eller populationer
3. Costaricanska populationsspecifika – resultat specifika för lokal demografi och prevalens (men detta är precis målet!)
4. Grundsanning från mänskliga experter som är felbara – mildras av dubbelläsning + beslutssystem

RISKMILDRING:

Planer för potentiella risker:

• Otillräcklig bildvolym → pilotfas för att kalibrera kvalitetskriterier; överväga ytterligare centra om nödvändigt
• Överdriven läsarens oenighet → kalibreringssessioner för att anpassa kriterier
• Otillräcklig modellprestanda → iterera med avancerade arkitekturer, mer aggressiv augmentering
• Oupptäckta bias → omfattande rättviseanalys förprogrammerad
• Datasäkerhetsintrång → HIPAA-kompatibel infrastruktur, kvartalsvisa säkerhetsrevisioner, incidenthanteringsplan

FRAMTIDA IMPLEMENTERING:

Detta är utveckling och validering endast, inte klinisk implementering.

Om validering lyckas, skulle Fas 2 vara:

• Prospektiv kontrollerad studie
• Utvärdera verklig klinisk påverkan: Förbättrar AI-assistans detektionsfrekvenser? Ändrar patienthantering? Förbättrar utfall?
• Mäta kliniker och patientacceptans
• Utvärdera kostnadseffektivitet

Föreslagen klinisk användningsscenario (framtid):

1. Patient utvärderas på rutinmässigt oftalmologibesök
2. Standard diagnostiska bilder tas (fundusfotografi, OCT, synfält)
3. Bilder skickas automatiskt till AI-system
4. Systemet analyserar bilder på sekunder och genererar rapport
5. Ögonläkare granskar bilder + AI-rapport

6. Ögonläkare fattar slutgiltigt kliniskt beslut (AI är assistent, inte ersättare)

   Säkerhetsåtgärder:

   - Mänsklig läkare fattar alltid slutgiltigt beslut

   • Systemet indikerar konfidensnivå för varje förutsägelse
   • Låg konfidensvarningar utlöser rekommendation för mänsklig second opinion
   • Spårning av mänsklig-AI-överensstämmelse för prestandaövervakning

   Kontinuerlig övervakning (om implementerad):

   - Kvartalsvis prestandautvärdering

   • Årlig omträning med nya data
   • Uppdatering när ny utrustning eller bildmodaliteter uppstår

   FÖRVÄNTADE BIDRAG:

   Vetenskapliga:

   - Första AI-oftalmologimodellen validerad specifikt i den costaricanska populationen

   - Rigorös metodologi replikerbar av andra latinamerikanska länder

   • Högkvalitativ referensdatabas (15 000 expertverifierade bilder)
   • Publikationer i högimpaktjournaler

   Kliniska:

   - Potentiellt diagnostiskt assistansverktyg (om validering lyckas)

   - Standardiserade diagnostiska kriterier

   • Utbildningsmaterial

   Hälso- och sjukvårdspolitik:

   - Bevis för regulatoriska beslut om AI-medicinsk programvara

   • Modell för ”lokal validering först”-tillvägagångssätt
   • Offentlig-privat samarbetsexempel

   Utbildningsmässiga:

   • Utbildning av lokal talang inom medicinsk AI
   • Medvetenhet om algoritmiska bias inom hälso- och sjukvårdsteknologi

   REFERENSER:

   Nyckelstudier som demonstrerar AI-förmåga inom oftalmologi:

   • Gulshan V, et al. Utveckling och validering av en djupinlärningsalgoritm för detektering av diabetisk retinopati i retinala fundusfotografier. JAMA. 2016;316(22):2402-2410.
   • De Fauw J, et al. Kliniskt tillämpbar djupinlärning för diagnos och remiss vid näthinnesjukdom. Nat Med. 2018;24(9):1342-1350.
   • Li Z, et al. Effektivitet av ett djupinlärningssystem för att detektera glaukomatös optisk neuropati baserat på färgfundusfotografier. Ophthalmology. 2018;125(8):1199-1206.