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

Kanker is een meedogenloze ziekte die mensen overal treft, maar het vermogen om het snel en accuraat te diagnosticeren is niet gelijk verdeeld over de wereld. In veel lage- en middeninkomenslanden wordt de weg naar genezing vaak al geblokkeerd lang voordat de behandeling zelfs maar begint. De eerste stap in de strijd tegen kanker is het opsporen ervan, wat meestal een patholoog vereist—een arts die minuscule stukjes weefsel onder een microscoop onderzoekt om de ziekte te identificeren. Deze specialisten zijn in veel delen van de wereld schaars aanwezig, en de laboratoria waarin zij werken, missen vaak de geavanceerde instrumenten die nodig zijn om de kleinste details te zien. Zonder een duidelijke diagnose wachten patiënten te lang op zorg, en dalen hun overlevingskansen.

In de afgelopen jaren is er een nieuw hulpmiddel opgekomen dat dit beeld kan veranderen: kunstmatige intelligentie. Dit is computersoftware die getraind is om patronen te herkend, in staat om naar dezelfde weefselsneden te kijken als een menselijke arts en tekenen van kanker met grote snelheid te ontdekken. Het idee is dat als deze slimme programma's kunnen worden ingebouwd in de diagnostische systemen van ontwikkelingslanden, ze artsen kunnen helpen sneller en nauwkeuriger te werken, waardoor deze landen potentieel de langzame, dure stappen van het bouwen van traditionele pathologielaboratoria kunnen overslaan en direct naar een modern, digitaal systeem kunnen springen. Maar om dit te laten werken, moet de technologie passen bij de realiteit van de plaatsen waar zij nodig is. Het kan niet simpelweg van buitenaf worden gedropt; het moet begrepen worden hoe lokale artsen, budgetten en regels met de software interageren.

Een team van onderzoekers zette zich scharpe om te begrijpen hoe dit in de praktijk zou werken. Ze bouwden niet alleen een computerprogramma en testten dat; in plaats daarvan gingen ze naar de bron door de mensen te vragen die de technologie daadwerkelijk zouden gebruiken, wat zij nodig hadden en wat hen in de weg stond. Ze spraken met twaalf artsen uit twaalf verschillende landen, waaronder tien lage- en middeninkomenslanden en twee hoge inkomenslanden voor vergelijking. Deze artsen waren experts in pathologie en gynaecologie, de vakgebieden die het meest betrokken zijn bij de diagnose van kanker. De onderzoekers gebruikten een combinatie van methoden, beginnend met enquêtes om de huidige staat van de laboratoria in kaart te brengen, gevolgd door groepsdiscussies om dieper in de uitdagingen te duiken, en tot slot een tweede enquête om te meten hoe sterk de artsen over specifieke kwesties dachten.

De onderzoekers ontdekten dat de situatie op de grond veel complexer was dan een simpele lijst van rijke en arme landen zou doen vermoeden. Hoewel elke locatie toegang had tot de basismethode om weefselsneden te kleuren om ze zichtbaar te maken, varieerde de capaciteit om meer geavanceerde tests uit te voeren enorm. In zeven van de tien lagere inkomenslocaties hadden de laboratoria niet genoeg capaciteit om de gespecialiseerde chemische tests uit te voeren die vaak nodig zijn om een kankerdiagnose te bevestigen. In zes van die tien locaties was moleculaire diagnostiek—die kijkt naar de genetische samenstelling van de tumor—ofwel volledig afwezig, ofwel nauwelijks beschikbaar. Dit betekende dat zelfs als een computer een probleem kon opsporen, de menselijke artsen vaak niet over de middelen beschikten om het te bevestigen of om precies te begrijpen wat voor soort kanker het was.

De beschikbaarheid van de digitale instrumenten die nodig zijn voor kunstmatige intelligentie was ook een gemengd beeld. De meeste locaties hadden scanners die fysieke preparaten konden omzetten in digitale afbeeldingen, een noodzakelijke eerste stap voor de computer om ze te kunnen "zien". Echter, de krachtige computers die vereist zijn om de software voor kunstmatige intelligentie te draaien, ontbraken in meer dan de helft van de locaties. Dit creëerde een vreemde discrepantie: sommige plaatsen hadden de scanners om de afbeeldingen te maken, maar niet de computers om ze te analyseren, terwijl andere wel de computers hadden maar niet de scanners. De onderzoekers merkten op dat deze variatie niet het gebruikelijke patroon van nationale rijkdom volgde. Het inkomensniveau van een land was geen betrouwbare manier om te voorspellen of een specifieke instelling klaar was voor het gebruik van kunstmatige intelligentie. Sommige instellingen in landen met een lager inkomen waren verrassend goed uitgerust, terwijl anderen in rijkere landen worstelden met basisgebreken.

Toen de artsen werden gevraagd wat zij wilden dat de kunstmatige intelligentie zou doen, waren hun antwoorden praktisch en gericht op directe behoeften. Ze vroegen niet om de software om hen te vervangen of om de toekomst met perfecte zekerheid te voorspellen. In plaats daarvan wilden ze dat de computer hen zou helpen kanker eerder te vinden, hun eigen diagnoses te controleren en bepaalde biologische markers te voorspellen vanuit de standaard gekleurde preparaten. Ze stelden zich een systeem voor waarbij de computer door duizenden preparaten kan gaan, de verdachte gevallen signaleert, zodat een menselijke arts zijn tijd kan richten op die specifieke gevallen. Dit zou lijken op het hebben van een onvermoeibare assistent die nooit een detail mist, waardoor de overwerkte artsen meer patiënten kunnen zien zonder in te boeten op nauwkeurigheid.

Echter, de weg naar de realisatie van deze visie wordt geblokkeerd door een reeks onderling verbonden hindernissen. De onderzoekers identificeerden zes hoofdfactoren die bepalen of kunstmatige intelligentie daadwerkelijk in deze omgevingen kan worden toegepast. De eerste is geletterdheid, wat betekent dat artsen en patiënten moeten begrijpen wat de technologie is en er vertrouwen in moeten hebben. De tweede is bewijsvoering, oftewel de noodzaak om te bewijzen dat de software goed werkt voor de specifieifeke populaties in deze landen, in plaats van alleen voor mensen in rijke landen. De derde is governance, wat gaat over het creëren van regels en wetten om te sturen hoe de technologie wordt gebruikt en wie verantwoordelijk is als er iets misgaat. De vierde is klinische implementatie, wat de fysieke stappen omvat om de software in de ziekenhuisworkflow te integreren. De vijfde is financiering, en de zesde is samenwerking tussen verschillende groepen.

Onder al deze uitdagingen kwam geld naar voren als de grootste hindernis. De artsen rapporteerden dat financiële beperkingen de dominante barrière vormden in elk enkel gebied. Ze legden uit dat zonder een constante bron van financiering, zij niet de benodigde computers konden kopen, niet de internetverbindingen konden betalen die nodig zijn om afbeeldingen te verzenden, en niet de capaciteit hadden om hun personeel op te leiden. Hoewel er internationale subsidies en onderzoeksfinanciering beschikbaar waren om de initiële apparatuur aan te schaffen, maakten de artsen zich zorgen dat deze fondsen op zouden raken, waardoor zij achterbleven met dure machines die zij niet konden onderhouden of repareren. Zij benadrukten dat voor kunstmatige intelligentie om te kunnen voortbestaan, het ondersteund moet worden door het reguliere gezondheidsbudget van de overheid, en niet slechts door tijdelijke donaties.

Samenwerking werd geïdentificeerd als de sleutel tot het ontsluiten van de overige oplossingen. De artsen realiseerden zich dat geen enkele persoon of enkel ziekenhuis deze problemen alleen kon oplossen. Ze moesten samenwerken met overheden om beleid te creëren, met universiteiten om de volgende generatie artsen op te leiden, en met private bedrijven om de kosten van apparatuur te delen. Ze zagen dat de huidige inspanningen vaak gefragmenteerd waren, waarbij verschillende groepen in isolatie werkten. De onderzoekers kwamen tot de conclusie dat de meest succesvolle weg vooruit een gecoördineerde inspanning zou zijn waarbij deze verschillende belanghebbenden de krachten bundelen en middelen en kennis delen om een systeem op te bouwen dat zichzelf op de lange termijn kan in stand houden.

De studie concludeerde dat hoewel kunstmatige intelligentie een groot potentieel heeft om lage- en middeninkomenslanden te helpen de traditionele, langzame ontwikkeling van pathologielaboratoria over te slaan, het geen magische oplossing is die op dezelfde manier overal kan worden toegepast. De gereedheid om deze technologie te gebruiken varieert sterk van de ene instelling naar de andere, ongeacht de algemene rijkdom van het land. Succes hangt af van het adresseren van de specifieke lokale behoeften, het veiligstellen van duurzame financiering en het opbouwen van sterke partnerschappen. Zonder deze fundamenten loopt de technologie het risico een andere ongebruikte machine te worden die stof verzamelt in een laboratorium, in plaats van een hulpmiddel dat levens redt. De onderzoekers suggereren dat, voordat deze systemen worden uitgerold, elke instelling zorgvuldig moet worden beoordeeld om te verzekeren dat zij over de juiste mensen, regels en middelen beschikt om de technologie te laten werken.