- ai zwiększa wykrywalność polipów podczas kolonoskopii, zwłaszcza małych i płaskich zmian,
- konkretne badania pokazują spadek miss rate z 32,4% do 15,5% oraz redukcję fałszywie ujemnych wyników z 29,6% do 6,8%,
- długotrwałe poleganie na AI może osłabić czujność endoskopistów i obniżyć ADR w badaniach bez wsparcia AI,
- systemy CADe działają w czasie rzeczywistym, analizując obraz z endoskopu i sygnalizując podejrzane obszary,
- efekt kliniczny na zmniejszenie zachorowalności na raka jelita grubego zależy od dostępu do badań, jakości przygotowania jelita i systemowego podejścia do profilaktyki.
Jak bardzo AI poprawia wykrywalność polipów
Badania kliniczne i duże serie przypadków potwierdzają istotny wzrost wykrywalności polipów i gruczolaków przy wsparciu AI. Wyniki z różnych centrów wskazują na podobny kierunek korzyści: niższy miss rate, większe ADR i wyższa czułość detekcji, szczególnie dla małych i płaskich zmian, które tradycyjnie są trudne do zauważenia. W dużych, randomizowanych próbach z systemem EndoScreener obejmującym ponad 5 000 pacjentów odnotowano znaczący wzrost ADR i istotne zmniejszenie wskaźnika przeoczeń zmian przedrakowych.
W praktyce oznacza to, że dzięki AI więcej polipów zostaje wykrytych i usuniętych w czasie jednego zabiegu, co teoretycznie zmniejsza ryzyko rozwoju raka w kolejnych latach. Jednak sama lepsza detekcja nie gwarantuje natychmiastowego spadku zachorowań na poziomie populacyjnym — do tego potrzebne są też inne elementy systemu opieki zdrowotnej.
Dane liczbowe i kliniczne
- miss rate bez AI wynosi średnio ok. 25% ogólnie, a w jednym badaniu tandemowym było to 32,4%,
- miss rate z AI spadł w tym badaniu do 15,5%,
- spadek odsetka fałszywie ujemnych wyników zanotowano z 29,6% do 6,8%,
- EndoScreener w próbie >5 000 pacjentów: ADR wzrost o 33% oraz zmniejszenie wskaźnika przeoczeń zmian przedrakowych o 41% (19,13 vs 32,52),
- inne systemy raportowały wzrost wykrywalności polipów o około 9%, czułość detekcji ~96,4% oraz trafność klasyfikacji przedrakowości ~94%,
- APDS w trybie offline wykazywał czułość ~90% i swoistość >98% w analizie nagrań.
Mechanika działania systemów CADe
Podstawy technologiczne
Systemy typu CADe (computer-aided detection) opierają się na głębokich sieciach neuronowych i algorytmach wizji komputerowej trenowanych na dziesiątkach tysięcy obrazów kolonoskopii. Analizują obraz w czasie rzeczywistym, porównując cechy kształtu, tekstury i kontrastu z wzorcami rozpoznanymi podczas treningu. W praktyce system wyświetla sugestię (np. ramkę lub podświetlenie) w chwili, gdy wykryje podejrzany fragment błony śluzowej.
Typowe funkcje i możliwości
- detekcja zmian w czasie rzeczywistym, np. przez podświetlenie lub obramowanie obszaru podejrzanego,
- klasyfikacja prawdopodobnej przedrakowości na podstawie cech morfologicznych wstępnie ocenianych przez algorytm,
- analiza offline nagrań z kolonoskopii w celu audytu i odnalezienia przegapionych polipów,
- możliwość integracji z systemami rejestracji badań i tworzenia raportów jakościowych.
W praktyce CADe działa jak „drugie oko” operatora, zwiększając prawdopodobieństwo wypatrzenia subtelnych zmian, które mogą umknąć ludzkiej obserwacji.
Wpływ na ryzyko raka jelita grubego
Wczesne wykrycie i usunięcie gruczolaków jest jednym z najsilniejszych sposobów zapobiegania rakowi jelita grubego. Poprawa wykrywalności dzięki AI powinna w dłuższej perspektywie przyczynić się do zmniejszenia liczby nowotworów rozpoznawanych w fazie zaawansowanej, pod warunkiem że system opieki zdrowotnej zapewni:
– odpowiedni dostęp do kolonoskopii w populacji,
– wysoką jakość przygotowania jelita,
– przestrzeganie zaleceń dotyczących odstępów między badaniami oraz
– skuteczne postępowanie histopatologiczne i planowanie dalszych kontroli.
Analizy przeglądowe sugerują, że choć AI zwiększa wykrywalność o różne wartości (np. ok. 8% w niektórych zestawieniach), to realny wpływ na częstość zachorowań będzie widoczny dopiero po wdrożeniu na szeroką skalę oraz przy utrzymaniu wysokiej jakości procesu przesiewowego.
Ryzyko osłabienia umiejętności lekarzy
Polskie i międzynarodowe obserwacje wskazują na potencjalny negatywny efekt długotrwałego polegania na AI: spadek ADR w badaniach wykonywanych bez wsparcia algorytmu. W badaniach przed i po wdrożeniu AI średni ADR w kolonoskopii bez AI spadł z około 28% do około 22% po trzech miesiącach rutynowego korzystania z systemów wspomagających. Analiza regresji wykazała, że ekspozycja na AI była niezależnym czynnikiem obniżającym ADR (iloraz szans 0,69).
Mechanizmy tego zjawiska obejmują osłabienie naturalnych wzorców wyszukiwania wzrokowego, tendencję do oczekiwania sygnału od algorytmu oraz przyzwyczajenie do „druga weryfikacja” zamiast aktywnego przeglądu pola widzenia. Skutkiem może być tzw. „rozleniwienie diagnostyczne” — niższa czujność w warunkach bez wsparcia AI oraz ryzyko przeoczeń, gdy system nie jest dostępny.
Praktyczne rekomendacje dla ośrodków i endoskopistów
Wdrożenie AI powinno iść w parze z mechanizmami zachowania i poprawy umiejętności lekarzy, aby korzyści technologii nie zostały zniwelowane przez spadek kompetencji. Poniższe zasady można wprowadzić na poziomie ośrodka:
– monitorować ADR osobno dla badań z AI i bez AI oraz reagować szkoleniowo na spadki wyników,
– zaplanować określony odsetek badań wykonywanych bez wsparcia AI w celach treningowych,
– prowadzić cykliczne szkolenia praktyczne i teoretyczne z technik inspekcji jelita oraz interpretacji sygnałów AI,
– wykorzystywać tryb offline analizy nagrań przez AI do audytu i identyfikacji typowych błędów technicznych,
– wprowadzić protokoły jakości (minimalny czas inspekcji segmentu jelita, standaryzację przygotowania pacjenta i techniki manewrowania endoskopem).
Plan audytu jakości (przykład krok po kroku)
- etap 1: rejestracja ADR dla każdego endoskopisty w okresie 3 miesięcy bez AI,
- etap 2: wdrożenie AI przez 3 miesiące i rejestracja ADR przy wsparciu systemu,
- etap 3: monitor ADR przez 3 miesiące po mieszanym stosowaniu AI (np. 50% badań z AI, 50% bez AI),
- etap 4: analiza porównawcza wyników i wdrożenie korekt treningowych dla osób z obniżonym ADR,
- etap 5: cykliczne audyty co 6–12 miesięcy z użyciem trybu offline AI do analizy nagrań.
Taki plan pozwala szybko wykryć efekt „rozleniwienia diagnostycznego” i wprowadzić adekwatne działania korygujące.
Informacja dla pacjentów
Obecność systemu AI w ośrodku zwiększa szansę wykrycia wczesnych, trudnych do zobaczenia polipów, lecz nie zastępuje jakości wykonania badania. Pacjent, pytając o zastosowanie AI, powinien także sprawdzić:
– jakość przygotowania jelita i przestrzeganie zaleceń przed badaniem,
– doświadczenie ośrodka i wskaźniki jakościowe zespołu (np. ADR),
– czas trwania i skrupulatność badania, ponieważ zbyt szybka inspekcja zwiększa ryzyko przeoczeń.
Ponadto warto przypominać, że uczestnictwo w programach przesiewowych i przestrzeganie zaleceń co do częstotliwości kolonoskopii (np. co 10 lat przy prawidłowym wyniku lub częściej przy stwierdzonych polipach) pozostaje kluczowym elementem profilaktyki.
Regulacje, certyfikaty i kierunki rozwoju
Systemy AI do kolonoskopii funkcjonują jako oprogramowanie medyczne i podlegają regulacjom. Część rozwiązań, jak EndoScreener, uzyskała certyfikat CE-MDR, co umożliwia ich kliniczne wdrożenie. Przyszłe badania powinny skupić się na:
– ocenie długoterminowego wpływu AI na zachorowalność i śmiertelność z powodu raka jelita grubego,
– opracowaniu strategii szkoleniowych zapobiegających osłabieniu czujności lekarzy,
– integracji AI z systemami szkoleniowymi i rejestrami danych w celu ciągłego doskonalenia algorytmów oraz monitoringu jakości.
Rozwój technologii musi iść w parze z badaniami nad bezpieczeństwem i wpływem na kompetencje kliniczne, aby korzyści z większej wykrywalności przekładały się na realne zmniejszenie zachorowań.
