Cheflæge: Implementering af AI kræver både nytænkning og økonomi

Det kan kun lykkes at implementere kunstig intelligens (AI) i radiologien, hvis man samarbejder på tværs, tænker nyt og strategisk, og ikke mindst afsætter den nødvendige økonomi og arbejdskraft. Det skriver cheflæge og overlæge på Bispebjerg og Frederiksberg Hospital Mikael Boesen i en kronik.

Det billeddiagnostiske område er på mange måder frontløber i brugen af AI, da det er det speciale med flest regulatorisk godkendte AI-algoritmer på markedet. Men implementering af AI-algoritmerne kræver både nytænkning af arbejdsgange og organisatoriske ændringer, skriver Mikael Boesen i en kronik, der er bragt i Dansk Selskab for ledelse i Sundhedsvæsnet (DSS).

”Vi skal bruge AI som en nedrivningskugle og komme i gang med at øve os, men kun ved at samarbejde, tænke innovativt, strategisk, tværfagligt og tværsektorielt samt afsætte den nødvendige økonomi og arbejdskraft, så vi kan lykkedes med at implementere AI i radiologien og i resten af sundhedsvæsenet,” skriver Mikael Boesen.

Der er blevet testet nogle AI-algoritmer i danske forskningsprojekter og i enkelte tilfælde i drift. Flere af algoritmerne performer anderledes og ofte dårligere end deres godkendelse lover, når de bliver eksternt valideret på lokale real life-patientdata. Det viser sig især ved, at AI-algoritmerne ofte genererer flere falsk positive fund end speciallægen. De falsk positive fund kan være med til at belaste systemet unødigt, da de ofte udløser supplerende undersøgelser og dermed et øget ressourceforbrug samt uhensigtsmæssige patientforløb. 

”Det betyder ikke, at algoritmerne er dårlige. De performer blot som de er trænet og godkendt til, men de afspejler ikke nødvendigvis den egentlige patientpopulation, som man vil bruge dem i. Andre gange kan man dog opleve det modsatte, men det ved man ikke, medmindre det testes på lokale data,” skriver Mikael Boesen. 

Han anbefaler, at der investeres i mere forskning og udvikling samt prospektiv implementering af AI-løsninger i radiologien.

Vi drukner i data

Der er mangel på speciallæger i radiologien, og der er store regionale forskelle. Sundhedsstyrelsen lægger op til en vækst på op til 86 procent flere radiologer i 2045 gennem flere uddannelsesstillinger. 

Desuden er der i takt med store investeringer i nyt diagnostisk udstyr oplevet en markant stigning i antallet af undersøgelser, og den teknologiske udvikling har gjort, at hver enkelt undersøgelse i sig selv er mere datatung. Det betyder, at vi i dag ‘drukner’ i data, som vi ikke kan uddanne os ud af, mener Mikael Boesen.

”Hvis radiologien skal gøre sig nogle forhåbninger om at kunne følge med i fremtiden, bliver vi nødt til at tænke anderledes. Vi skal rydde op, ‘vælge klogt’, teste hverdagen og befri tiden. Der er undersøgelser, vi skal holde op med at lave, og AI vil være med til at revolutionere det radiologiske speciale og har potentialet til at imødekomme flere af disse udfordringer. Især ved at automatisere nogle rutineopgaver,” skriver han.

Robust IT-infrastruktur er et must

Mikael Boesen mener, at der bør udarbejdes en styringsmodel (’governance model’), og at der skal investeres i sikre IT-systemer, der er ens i alle regioner, så man kan foretage sikker indsamling og opbevaring af lokale billeddata. Dataene skal bruges til test og validering forud for klinisk brug samt til løbende kvalitetssikring af AI-algoritmer efter eventuel klinisk ibrugtagning.

”Der er behov for en robust IT-infrastruktur som muliggør hurtigere behandling og analyse af store datasæt. Når dette er etableret, er det meget nemmere at skalere AI og flytte forskellige AI-løsninger mellem regioner og teste hvilken diagnostisk værdi, de har på lokale data via f.eks. federated learning, hvor man flytter AI-modellen, der skal testes, mellem sikre, ensartede datamiljøer i hver region i stedet for at flytte data til anden lokation uden for hospitalernes firewall,” skriver Mikael Boesen. 

Uddannelse i brug og forståelse af AI

Det er nødvendigt at opbygge kompetencer inden for radiologisk AI ved at uddanne radiologisk personale og kliniske brugere i både anvendelsen og forståelsen af AI, mener Mikael Boesen. Der bør også ansættes flere AI-specialister samt implementeringsspecialister, også fra andre faggrupper, til at afdække de kliniske og økonomiske gevinster samt potentielle tab.

Mikael Boesen understreger desuden, at der bør udarbejdes retningslinjer og indsamles implementeringserfaringer med brugen af radiologisk AI. Disse retningslinjer skal også omfatte etiske overvejelser og patientsikkerhed. Desuden skal der udarbejdes instrukser og informationsmaterialer i samarbejde med patienter, praktiserende læger og øvrige relevante myndigheder.

Der skal skabes en ensartet ramme

Pointerne i Mikael Boesens kronik flugter alle med konklusionen i et white paper fra AI-eksperter fra de fleste radiologiske selskaber i verden om absolutte forudsætninger og infrastruktur behov ved brug af AI i radiologien, publiceret i januar 2024. Mikael Boesens kronik er primært baseret på radiologien, men mange af pointerne og anbefalingerne kan overføres direkte til implementering af AI i øvrige specialer. 

I 2023 nedsatte Danske Regioner et AI-spor på tværs af regionerne og brugte radiologien som case til udarbejdelse af anbefalinger og dele erfaringer om brug af AI i sundhedsvæsenet med deltagelse af radiologiske ledere samt flere AI-forskere fra alle fem regioner. På tværs af regionerne var der enighed om, at forudsætningen for at implementere og skalere brugen af AI i radiologi er, at der etableres en ensartet ramme for: 

• En IT-infrastruktur til at teste AI-performance på lokale data inden indkøb af en algoritme.
• Etablering af et system der kan monitorere og kvalitetssikre AI-performance over tid under eventuel klinisk drift, når data ændrer sig.
• Flere prospektive implementeringsstudier for at afdække den kliniske værdi.
• Sikring af uddannelse, kompetenceløft og ansvar ved brug af AI-løsninger.
• Et ensartet governance-system, der som minimum bør omfatte klare retningslinjer for indkøb, brug, vedligeholdelse af faglige kvalifikationer, patientinformation, produktopdatering og vedligeholdelse af algoritmerne og etablering af mekanismer til at håndtere uforudsete situationer, såsom fejl, bias i algoritmer eller ændringer i sundhedsdata.