Leapfrogging cancer diagnostics with AI: a mixed-methods assessment of implementation determinants in low- and middle-income countries

Krebs ist eine unerbittliche Krankheit, die Menschen überall trifft, aber die Fähigkeit, ihn schnell und präzise zu diagnostizieren, ist weltweit nicht gleichermaßen verbreitet. In vielen Ländern mit niedrigem und mittlerem Einkommen ist der Weg zur Heilung oft schon blockiert, bevor die Behandlung überhaupt beginnt. Der erste Schritt im Kampf gegen Krebs besteht darin, ihn zu finden, was in der Regel einen Pathologen erfordert – einen Arzt, der winzige Gewebeschnitte unter einem Mikroskop untersucht, um Krankheiten zu identifizieren. Diese Spezialisten sind in vielen Teilen der Welt Mangelware, und die Labore, in denen sie arbeiten, verfügen oft nicht über die fortschrittlichen Werkzeuge, die nötig sind, um die kleinsten Details zu erkennen. Ohne eine klare Diagnose warten Patienten zu lange auf eine Behandlung, und ihre Überlebenschancen sinken.

In den letzten Jahren ist ein neues Werkzeug entstanden, das verspricht, dieses Bild zu verändern: künstliche Intelligenz. Dies ist eine Computersoftware, die darauf trainiert wurde, Muster zu erkennen, und die in der Lage ist, dieselben Gewebeschnitte wie ein menschlicher Arzt zu betrachten und Anzeichen von Krebs mit großer Geschwindigkeit zu entdecken. Die Idee ist, dass diese intelligenten Programme, wenn sie in die Diagnosesysteme von Entwicklungsländern eingebaut werden, Ärzten helfen könnten, schneller und präziser zu arbeiten, was es diesen Ländern potenziell ermöglichen würde, die langsamen, teuren Schritte beim Aufbau traditioneller Pathologielabore zu überspringen und direkt zu einem modernen, digitalen System überzugehen. Aber damit dies funktioniert, muss die Technologie zur Realität der Orte passen, an denen sie benötigt wird. Sie kann nicht einfach von außen hineingeworfen werden; es muss verstanden werden, wie lokale Ärzte, Budgets und Regeln mit der Software interagieren.

Ein Forscherteam machte sich daran zu verstehen, wie genau dies in der Praxis funktionieren könnte. Sie haben nicht nur ein Computerprogramm entwickelt und getestet; stattdessen sind sie an die Quelle gegangen und haben die Menschen gefragt, die die Technologie tatsächlich nutzen würden, was sie benötigen und was ihnen im Weg steht. Sie sprachen mit zwölf Ärzten aus zwölf verschiedenen Ländern, darunter zehn Länder mit niedrigem oder mittlerem Einkommen und zwei einkommensstarke Länder zum Vergleich. Diese Ärzte waren Experten in der Pathologie und Gynäkologie, den Fachbereichen, die am stärksten an der Krebsdiagnose beteiligt sind. Die Forscher nutzten eine Mischung aus Methoden, beginnend mit Umfragen, um den aktuellen Stand der Laboratorien zu erfassen, gefolgt von Gruppendiskussionen, um tiefer in die Herausforderungen einzutauchen, und schließlich einer zweiten Umfrage, um zu messen, wie stark die Ärzte bestimmte Themen empfanden.

Die Forscher fanden heraus, dass die Situation vor Ort weita viel komplizierter war, als eine einfache Liste von armen und reichen Ländern vermuten ließe. Während jeder einzelne Standort Zugang zur grundlegenden Methode des Färbens von Gewebeschnitten hatte, um diese sichtbar zu machen, variierte die Fähigkeit, fortgeschrittenere Tests durchzuführen, massiv. In sieben von zehn Standorten mit niedrigerem Einkommen verfügten die Labore nicht über die Kapazität, die spezialisierten chemischen Tests durchzuführen, die oft zur Bestätigung einer Krebsdiagnose erforderlich sind. In sechs dieser zehn Standorte war die molekulare Testung – welche die genetische Zusammensung des Tumors untersucht – entweder gar nicht vorhanden oder kaum verfügbar. Dies bedeutete, dass selbst wenn ein Computer ein Problem erkennen konnte, die menschlichen Ärzte oft nicht über die Werkzeuge verfügten, um es zu bestätuchen oder genau zu verstehen, um welche Art von Krebs es sich handelte.

Die Verfügbarkeit der digitalen Werkzeuge, die für künstliche Intelligenz notwendig sind, war ebenfalls ein gemischtes Bild. Die meisten Standorte verfügten über Scanner, die physische Schnitte in digitale Bilder umwandeln können, was ein notwendiger erster Schritt ist, damit der Computer sie „sehen“ kann. Jedoch fehlten in mehr als der Hälfte der Standorte die leistungsstarken Computer, die zum Ausführen der Software für künstliche Intelligenz erforderlich sind. Dies schuf eine seltsame Diskrepanz: Einige Orte hatten die Scanner, um die Bilder zu erstellen, aber nicht die Computer, um sie zu analysieren, während andere die Computer hatten, aber nicht die Scanner. Die Forscher stellten fest, dass diese Variation nicht dem üblichen Muster des nationalen Wohlstands folgte. Das Einkommensniveau eines Landes war kein zuverlässiger Weg, um vorherzusagen, ob ein bestimmtes Krankenhaus bereit für den Einsatz künstlicher Intelligenz war. Einige Institutionen in Ländern mit geringerem Einkommen waren überraschend gut ausgestattet, während andere in wohlhabenderen Nationen mit grundlegenden Lücken zu kämpfen hatten.

Als die Ärzte gefragt wurden, was die künstliche Intelligenz tun sollte, waren ihre Antworten praktisch und auf unmittelbare Bedürfnisse ausgerichtet. Sie verlangten nicht danach, dass die Software sie ersetzt oder die Zukunft mit absoluter Gewissheit vorhersagt. Stattdessen wollten sie, dass der Computer ihnen hilft, Krebs früher zu finden, ihre eigenen Diagnosen zu überprüfen und bestimmte biologische Marker aus den Standard-Färbeschnitten vorherzusagen. Sie stellten sich ein System vor, in dem der Computer tausende von Schnitten durchforstet und die verdächtigen Fälle markiert, damit der menschliche Arzt seine Zeit auf diese spezifischen Fälle konzentrieren kann. Dies wäre wie ein unermüdlicher Assistent, der niemals ein Detail übersieht und es den überarbeiteten Ärzten ermöglicht, mehr Patienten zu sehen, ohne die Genauigkeit zu opfern.

Der Weg, diese Vision Wirklichkeit werden zu lassen, wird jedoch durch eine Reihe miteinander verbundener Hürden blockiert. Die Forscher identifizierten sechs Hauptfaktoren, die bestimmen, ob künstliche Intelligenz in diesen Kontexten tatsächlich eingesetzt werden kann. Der erste ist die Literalität (oder das Verständnis), was bedeutet, dass Ärzte und Patienten verstehen und der Technologie vertrauen müssen. Der zweite ist der Nachweis, oder die Notwendigkeit zu beweisen, dass die Software gut für die spezifischen Populationen in diesen Ländern funktioniert und nicht nur für Menschen in wohlhabenden Nationen. Der dritte ist die Governance, was die Schaffung von Regeln und Gesetzen umfasst, die regeln, wie die Technologie verwendet wird und wer verantwortlich ist, wenn etwas schiefgeht. Der vierte ist die klinische Implementierung, die die physischen Schritte umfasst, um die Software in den Krankenhaus-Arbeitsablauf zu integrieren. Der fünfte ist die Finanzierung, und der sechste ist die Zusammenarbeit zwischen verschiedenen Gruppen.

Unter all diesen Herausforderungen kristallisierte sich das Geld als das mit Abstand größte Hindernis heraus. Die Ärzte berichteten, dass finanzielle Einschränkungen die dominierende Barriere in jedem einzelnen Bereich darstellten. Sie erklärten, dass sie ohne eine stetige Finanzierungsquelle nicht die notwendigen Computer kaufen könnten, nicht die Internetverbindungen bezahlen könnten, die zum Versenden von Bildern nötig sind, und sich nicht die Ausbildung ihres Personals leisten könnten. Zwar gab es internationale Zuschüsse und Forschungsgelder, um die Erstausstattung zu kaufen, doch die Ärzte sorgten sich, dass diese Mittel aufgebraucht würden, was sie mit teuren Maschinen zurücklassen würde, die sie nicht warten oder reparieren könnten. Sie betonten, dass künstliche Intelligenz, damit sie Bestand hat, durch das reguläre Gesundheitsbudget der Regierung unterstützt werden muss und nicht nur durch temporäre Spenden.

Zusammenarbeit wurde als der Schlüssel zur Lösung der anderen Probleme identifiziert. Die Ärzte erkannten, dass kein einzelner Mensch und kein einzelnes Krankenhaus diese Probleme allein lösen kann. Sie müssen mit Regierungen zusammenarbeiten, um politische Richtlinien zu erstellen, mit Universitäten, um die nächste Generation von Ärzten auszubilden, und mit privaten Unternehmen, um die Kosten für Ausrüstung zu teilen. Sie sahen, dass die derzeitigen Bemühungen oft fragmentiert sind, da verschiedene Gruppen isoliert voneinander arbeiten. Die Forscher fanden heraus, dass der erfolgreichste Weg in einer koordinierten Anstrengung bestehe, bei der diese verschiedenen Akteure ihre Kräfte bündeln und Ressourcen sowie Wissen teilen, um ein System aufzubauen, das sich langfristig selbst tragen kann.

Die Studie kam zu dem Schluss, dass künstliche Intelligenz zwar großes Potenzial bietet, um Ländern mit niedrigem und mittlerem Einkommen zu helfen, die langsame Entwicklung traditioneller Pathologielabore zu überspringen, sie aber keine magische Lösung ist, die überall auf die gleiche Weise angewendet werden kann. Die Bereitschaft zur Nutzung dieser Technologie variiert stark von einem Krankenhaus zum anderen, unabhängig vom allgemeinen Wohlstand des Landes. Erfolg hängt davon ab, die spezifischen lokalen Bedürfnisse anzugehen, eine nachhaltige Finanzierung zu sichern und starke Partnerschaften aufzubauen. Ohこと diese Fundamente fehlen, läuft die Technologie Gefahr, ein weiteres ungenutztes Gerät zu werden, das Staub in einem Labor ansetzt, anstatt ein Werkzeug zu sein, das Leben rettet. Die Forscher schlagen vor, dass vor der Einführung dieser Systeme jede Institution sorgfältig geprüft werden muss, um sicherzustellen, dass sie über das Personal, die Regeln und das Geld verfügt, um die Technologie funktionsfähig zu machen.