Umelá inteligencia v rádiológii zažíva prudký rozmach, no jej reálne nasadzovanie v nemocniciach zaostáva. Prednáška rádiológa Juana Guerra zhŕňa, prečo sa to deje, čo s tým a kde AI už dnes prináša hodnotu. Kľúčom sú jasné klinické potreby, dôkazy a zodpovedná implementácia.
Kde to viazne: bariéry pred, počas aj po implementácii
Pred nasadením narážame na nedostatok kvalitných, správne označkovaných dát na tréning algoritmov a na chýbajúce nezávislé dôkazy o účinnosti. Porovnávanie riešení je ťažké: ak existuje viac nástrojov pre ten istý problém, lekári zvyčajne nemajú výcvik na ich robustné benchmarkovanie a proces je nákladný. K tomu sa pridávajú otázky ekonomiky a prepojenia softvérov a hardvéru, ktoré sú v rádiológii komplexné.
Po nasadení prichádza potreba systematického monitorovania výkonu. Výkon AI môže časom klesať vplyvom „driftu“ – zmeny populácie pacientov, nového prístroja či softvérového upgradu; v jednej štúdii sa zistilo, že pokles spôsobila práve aktualizácia systému. Regulačné trendy (vrátane európskeho AI Actu) preto smerujú k povinnému priebežnému dohľadu. A napokon, vnímanie prekážok sa líši podľa znalostí: čím lepšie AI rozumieme, tým realistickejšie vieme identifikovať riziká – vzdelávanie je preto kľúčové.
Ako zavádzať zodpovedne: use cases, governance a dôkazy
AI treba stavať na klinických „use cases“ – presne definovaných situáciách, kde má priniesť hodnotu (napr. detekcia uzáveru veľkej cievy pri mozgovej príhode či pľúcnych uzlov). Mnohé skoré riešenia vznikali skôr podľa dostupných dát než podľa potrieb a narážali na slabú adopciu. Pomáhajú preto katalógy klinických use cases s prehľadom dátových nárokov, technických špecifikácií a kontextu použitia, ktoré uľahčujú vývojárom zamerať sa na reálne problémy a nemocniciam lepšie vyberať.
Inštitúcie by mali vytvoriť interdisciplinárne riadiace tímy (lekári, IT, vývojári, správa dát, ochrana súkromia), ktoré nastavia prístup k dátam, integráciu, výber nástrojov podľa klinickej hodnoty a bezpečnostné kritériá. Základom je bezpečnosť dát a súlad s GDPR, lokálne overenie výkonu a sledovanie generalizovateľnosti – môže sa stať, že nástroj s deklarovanou presnosťou 99 % dosiahne lokálne iba 89 %. Chýbajú aj publikované dôkazy: analýza z roku 2022 ukázala, že zo 100 CE označených aplikácií malo 64 nulové recenzované klinické dôkazy; existujú však metodiky na preklinické, včasné klinické aj prospektívne porovnávacie hodnotenie. Zmysel to má: švédska štúdia MASAI v mamografickom skríningu preukázala, že AI vie znížiť pracovnú záťaž o polovicu bez zhoršenia citlivosti či recallu a v ďalšom kole zvýšiť záchyt karcinómu o 28 %.
