Cost-effectiveness of immediate prioritisation of chest X-rays using artificial intelligence in lung cancer in England: the LungIMPACT study
Diese gesundheitsökonomische Analyse der LungIMPACT-Studie kommt zu dem Schluss, dass der Einsatz von KI zur Priorisierung von Röntgenaufnahmen des Brustkorbs auf Lungenkrebs in England im Vergleich zur KI-gestützten Interpretation allein oder der aktuellen Praxis nicht kosteneffizient ist, da er die Kosten erhöht, ohne die Zeit bis zur Diagnose zu verkürzen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich den menschlichen Körper als eine geschäftige Stadt vor, und in dieser Stadt versucht ein stiller, hinterhältiger Unruhestifter, sein Geschäft zu eröffnen: Lungenkrebs. Dieser Unruhestifter ist tückisch, denn in der Anfangsphase macht er nicht viel Lärm. Er schreit nicht nach Aufmerksamkeit; er flüstert höchstens, verursacht vielleicht einen leichten Husten oder eine gewisse Müdigkeit, die Menschen oft ignorieren. Weil er so leise ist, wird er oft erst dann entdeckt, wenn er bereits groß und stark gewachsen ist, was es viel schwieriger macht, ihn zu besiegen.
Um diesen Unruhestifter frühzeitig zu fangen, benutzen Ärzte eine spezielle „Röntgenkamera“, die Thorax-Röntgenaufnahme (CXR). Es ist wie das Aufnehmen eines schnellen Schnappschusses der Skyline der Stadt, um zu sehen, ob sich dunkle Wolken bilden. Jedes Jahr schicken Hausärzte in England Millionen dieser Schnappschüsse in die Radiologieabteilung. Aber hier liegt das Problem: Die Radiologieabteilung ist wie ein riesiges, überquellendes Postamt. Tausende von Fotos treffen jeden Tag ein, und die Ärzte, die sie lesen (Radiologen), müssen den Stapel einer nach der anderen durcharbeiten. Wenn eine gefährliche Wolke in der Mitte des Stapels versteckt ist, könnte sie übersehen oder verzögert werden, während die Ärzte zuerst die harmlosen Fotos betrachten.
Kürzlich haben Wissenschaftler einen digitalen Helfer erfunden: Künstliche Intelligenz (KI). Stellen Sie sich diese KI wie einen superschnellen Roboter-Assistenten vor, der jedes Foto in einem Bruchteil einer Sekunde scannen kann. Seine Aufgabe ist es, die „dunklen Wolken“ (verdächtige Stellen) zu entdecken und zu rufen: „Hey! Schau dir dieses hier zuerst an!“ Dies nennt man „Priorisierung“. Die große Frage, die alle beantworten wollten, war: Wenn wir diesen Roboter-Assistenten erlauben, zu schreien und die gefährlichen Fotos an die Spitze der Schlange zu setzen, wird es uns tatsächlich helfen, den Unruhestifter schneller zu fangen, ohne dem Gesundheitswesen ein Vermögen zu kosten? Dies ist die Geschichte der LungIMPACT-Studie, die versuchte herauszufinden, ob dieser hochtechnologische Sortierhut tatsächlich den Preis wert war.
Das große Sortier-Experiment
In England wurde ein massives Experiment namens LungIMPACT-Studie gestartet, um genau diese Idee zu testen. Die Forscher sammelten Daten von fast 87.000 Patienten, die ihre Thorax-Röntgenaufnahmen nach einem Besuch beim Hausarzt erhalten hatten. Sie teilten diese Patienten in zwei Gruppen auf, um zu sehen, was passiert.
In der ersten Gruppe wurde die KI eingeschaltet, um ihre „Schrei-Aufgabe“ zu erledigen. Sie scannte die Röntgenbilder und markierte diejenigen, die verdächtig aussah, und sagte den menschlichen Ärzten: „Priorisiert diese! Lest sie sofort!“ In der zweiten Gruppe wurde die KI ebenfalls verwendet, um bei der Auswertung der Bilder zu helfen, aber ihr wurde gesagt, still zu sein. Sie schrie nicht und bewegte keine Fotos an die Spitze; die Ärzte lasen die Röntgenbilder in der Reihenfolge, in der sie eintrafen, wobei die KI als Zweitmeinung diente.
Das Ziel war einfach: Zu sehen, ob die „Schrei-Gruppe“ ihre Diagnosen schneller erhielt. Wenn die KI die Zeit von der Aufnahme des Röntgenbildes bis zur Feststellung, ob jemand an Lungenkrebs leidet, verkürzen konnte, wäre das ein riesiger Gewinn für die Patienten. Aber es gab einen Haken. Die Forscher mussten auch das Geld zählen. Sie betrachteten jeden Cent, der ausgegeben wurde: die Kosten für die Röntgenaufnahmen, die CT-Scans, die zusätzlichen Tests und sogar die Gebühr für die Miete der KI-Software und die Kosten für den Anschluss an die Computersysteme des Krankenhauses.
Das überraschende Ergebnis: Der Roboter rettete nicht den Tag
Nach der Auswertung der Zahlen fanden die Forscher ein Ergebnis, das Sie vielleicht überraschen wird. Die „schreiende“ KI beschleunigte die Diagnose nicht signifikant.
Hier ist die Aufschlüsselung dessen, was geschah:
- Zeit: Die Zeit bis zur Diagnose war in beiden Gruppen fast gleich. In der Gruppe, in der die KI schrie, um die Fotos zu priorisieren, betrug die durchschnittliche Zeit bis zur Diagnose etwa 75 Tage. In der Gruppe, in der die KI nur beim Lesen half, ohne zu schreien, betrug sie etwa 77 Tage. Dieser winzige Unterschied reichte nicht aus, um zu sagen, dass die schreiende KI tatsächlich einen wirklichen Unterschied gemacht hatte.
- Geld: Da die KI-Software Geld für die Lizenzierung kostet und Geld für die Installation in die Krankenhauscomputer kostet, kostete die „Schrei-Gruppe“ dem Gesundheitswesen tatsächlich mehr Geld. Die Studie berechnete, dass die Nutzung der Priorisierungsfunktion pro Patient etwa 1 £ zusätzlich kostete im Vergleich zur bloßen Nutzung der KI ohne die Schrei-Funktion.
Wenn die Forscher das große Ganze für ganz England betrachteten, wurde die Mathematik noch deutlicher. Wenn jeder Hausarzt in England (die etwa 2,2 Millionen Röntgenaufnahmen pro Jahr verordnen) die KI nutzen würde, um die Röntgenbilder zu priorisieren, würde dies der NHS jährlich zusätzliche 2,2 Millionen £ kosten, nur um die winzige, fast nicht existierende Zeitersparnis zu erreichen. Wenn sie die KI-Methode mit der alten Art des Vorgehens verglichen (ohne KI überhaupt), würde die Kostensteigerung zwischen 16 Millionen £ und 35 Millionen £ pro Jahr liegen.
Warum hat es nicht funktioniert?
Die Forscher vermuten, dass das Problem nicht die KI selbst war, sondern der Ort, an dem sie helfen wollte. Stellen Sie sich eine Autobahn vor, auf der der Verkehr stockt. Wenn Sie einen Hubschrauber haben, der die langsamsten Autos erkennen und sie auf die linke Spur schicken kann, ist das großartig. Aber wenn die ganze Autobahn verstopft ist, weil es nicht genug Spuren oder genug Polizei gibt, um den Verkehrsfluss zu regeln, hilft es nicht, ein einzelnes Auto nach vorne zu schieben, um den Stau aufzulösen.
Im Fall der Lungenkrebsdiagnose entsteht der „Stau“ nach der Röntgenaufnahme. Selbst wenn die KI das verdächtige Röntgenbild an die Spitze der Schlange setzt, muss der Patient immer noch auf einen CT-Scan warten, dann darauf warten, dass ein Spezialist die Ergebnisse prüft, und dann darauf warten, dass ein Team eine Entscheidung über die Behandlung trifft. Die Studie fand heraus, dass die KI die Engpässe, die nach der Auswertung des Röntgenbildes auftraten, nicht beheben konnte. Das System war bereits so ausgelastet, dass das Verschieben des Röntgenbildes an die Spitze der Schlange den gesamten Prozess nicht schneller machte.
Das Fazit
Die Studie kommt zu dem Schluss, dass die Verwendung von KI zur sofortigen Priorisierung von Thorax-Röntgenbildern – zumindest im Moment – keine gute Verwendung von Geld für das Gesundheitswesen ist. Es kostet mehr, als es einspart, und es führt dazu, dass Patienten nicht wirklich schneller diagnostiziert werden.
Die Autoren sind sich hierüber sehr klar: Sie sagen nicht, dass KI für immer nutzlos ist. Sie sagen, dass diese spezifische Art, sie einzusetzen – nämlich zu schreien, um Röntgenbilder an die Spitze der Schlange zu schieben – nicht gut genug funktioniert, um die Kosten zu rechtfertigen. Anstatt Millionen in dieses spezifische Werkzeug zu investieren, schlägt die Studie vor, dass das Gesundheitswesen bessere Ergebnisse erzielen könnte, indem es die anderen Teile des Prozesses verbessert, wie zum Beispiel die Einstellung von mehr Personal oder die Sicherstellung, dass genügend CT-Scanner und Ärzte vorhanden sind, um die Patienten zu versorgen, sobald sie markiert wurden.
Kurz gesagt: Der Roboter-Assistent versuchte, ein Held zu sein, indem er rief: „Schaut mich zuerst an!“, aber der Rest des Teams war zu beschäftigt, um zuzuhören. Bis das gesamte Team gemeinsam schneller agieren kann, wird auch das Schreien an der Spitze der Schlange das Problem nicht lösen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.