AI w kolonoskopii. Kiedy opłaca się wdrożenie według HTA?

Kolonoskopia z wykorzystaniem systemów sztucznej inteligencji może zwiększyć skuteczność wykrywania potencjalnych zmian nowotworowych. Nowa analiza oparta na metodologii hospital-based HTA sugeruje, że inwestycja w tego typu rozwiązania zwraca się już nawet po niespełna 2 latach.

• Metaanaliza badań z udziałem 4354 pacjentów wykazała, że zastosowanie AI w kolonoskopii zwiększa ADR (odsetek badań, podczas których wykryto przynajmniej jednego gruczolaka) z 25,2 proc. do 36,6 proc.
• Systemy typu CADe działają jak dodatkowa para oczu, analizując obraz z endoskopu w czasie rzeczywistym i wskazując lekarzowi podejrzane zmiany.
• Przy 2000 kolonoskopii rocznie i wzroście ADR o 6 pkt proc. oraz wydatkach rzędu ok. 313 tys. zł, zwrot z inwestycji następuje już po około 3,1 roku.
• W najlepszym scenariuszu inwestycja może zwrócić się po niespełna 2 latach, natomiast przy mniejszym wolumenie badań i słabszej poprawie ADR okres zwrotu może wydłużyć się do około 6,4 roku.
• Wdrożenie AI ma sens w dużych, dobrze zorganizowanych pracowniach kolonoskopii.

Rak jelita grubego. Coraz więcej chorych, także w młodym wieku

Rak jelita grubego należy do najczęściej rozpoznawanych nowotworów w Polsce. W 2022 r. odnotowano około 18,8 tys. nowych przypadków zachorowań. Każdego roku z jego powodu umiera od 12 do 16,7 tys. pacjentów. Prognozy wskazują, że wraz ze starzeniem się społeczeństwa liczba nowych zachorowań będzie nadal rosła. Choroba coraz częściej dotyka osób przed 50. rokiem życia.

Złotym standardem diagnostyki od lat pozostaje kolonoskopia. Podczas jednego zabiegu pozwala przeprowadzić dokładną diagnostykę i usunąć wykryte polipy, z których potencjalnie może rozwinąć się nowotwór. Proces przemiany polipa w raka trwa zwykle od 7 do 12 lat, co daje dużą szansę na skuteczną profilaktykę.

Problemem pozostaje nadal niska zgłaszalność Polaków do programu przesiewowego. Według dostępnych danych, na badanie zgłasza się zaledwie 17 proc. osób z grup ryzyka. W Holandii odsetek ten sięga 68 proc., a w Danii – 65 proc. Pacjenci obawiają się bólu, wstydzą się badania, a część z nich woli nie znać diagnozy niż usłyszeć, że choruje na raka.

Kolonoskopia ma jednak swoje ograniczenia – nawet najbardziej doświadczeni endoskopiści mogą przeoczyć niewielkie zmiany, szczególnie podczas wielogodzinnej pracy. Od niedawna dostępne są rozwiązania sztucznej inteligencji, które analizują obraz w czasie rzeczywistym i oznaczają podejrzane obszary.

Sztuczna inteligencja pomaga wykryć więcej polipów

Praca „Ocena zasadności wdrożenia systemu sztucznej inteligencji wspierającego kolonoskopię w szpitalu publicznym z wykorzystaniem podejścia hospital-based HTA”, przygotowana w ramach studiów MBA SGH-WUM, jest pierwszym opracowaniem, które może pomóc szpitalom w podjęciu decyzji o inwestycji w AI w kolonoskopii. Jej autorami są Krzysztof Dylęgowski, menedżer w branży med-tech, a obecnie pracownik Olympus, oraz Jacek Sadowski, specjalista ginekologii onkologicznej.

Analizą objęto systemy typu CADe (Computer-Aided Detection) – oprogramowanie analizujące obraz z endoskopu w czasie rzeczywistym i sygnalizujące lekarzowi miejsca występowania polipów. CADe – podobnie jak systemy AI stosowane w radiologii – nie podejmuje decyzji za lekarza, ale pełni rolę dodatkowej pary oczu.

Najważniejszym wskaźnikiem jakości kolonoskopii jest ADR (adenoma detection rate), czyli odsetek badań, podczas których wykryto przynajmniej jednego gruczolaka. To właśnie poprawa ADR stanowi główny argument przemawiający za wdrażaniem AI.

Autorzy przywołują metaanalizę pięciu randomizowanych badań klinicznych obejmujących 4354 pacjentów. Zastosowanie systemów CADe zwiększyło ADR z 25,2 proc. do 36,6 proc., czyli o 11,4 punktu procentowego. Sztuczna inteligencja zmniejsza ryzyko przeoczenia zmian i pomaga ujednolicić jakość badań wykonywanych przez różnych operatorów.

Skuteczność takich systemów nadal zależy od jakości przygotowania pacjenta, doświadczenia endoskopisty, klasy sprzętu oraz organizacji pracy pracowni endoskopowej. AI jest narzędziem wspierającym, a nie autonomicznym diagnostą.

Kiedy inwestycja w CADe zaczyna się zwracać?

Aby sprawdzić ekonomiczną zasadność inwestycji w AI w kolonoskopii, autorzy zbudowali model przyrostowy. Założyli, że liczba wykonywanych kolonoskopii jest stała, natomiast dzięki wyższemu ADR rośnie liczba wykrywanych polipów, wykonywanych polipektomii oraz badań histopatologicznych. Efektem są większe przychody szpitala publicznego z usług realizowanych w ramach kontraktu z NFZ, ale i wyższe koszty materiałów oraz histopatologii.

W modelu bazowym przyjęto następujące parametry:

• 2000 kolonoskopii rocznie,
• wzrost ADR o 6 punktów procentowych,
• koszt inwestycji wynoszący ok. 313 tys. zł.

Przy takich założeniach, dodatkowy roczny przychód przekracza 151 tys. zł, dodatkowe koszty to około 51 tys. zł. Roczna nadwyżka finansowa przekracza 100 tys. zł. Próg rentowności można więc osiągnąć po około 3,1 roku.

Autorzy wzięli też pod uwagę dwa inne scenariusze, uwzględniające mniejszą i większą liczbę badań. Przy mniejszym wzroście ADR oraz wykonywaniu jedynie 1500 kolonoskopii rocznie zwrot z inwestycji wydłuża się do około 6,4 roku. Z kolei przy większym wolumenie badań i lepszych wynikach klinicznych okres zwrotu znacząco się skraca do 1,9 roku.

Największy wpływ na opłacalność mają dwa parametry: rzeczywista poprawa ADR oraz liczba wykonywanych kolonoskopii. Znacznie mniejsze znaczenie mają natomiast koszty histopatologii czy materiałów wykorzystywanych podczas polipektomii.

Nie każda pracownia kolonoskopii potrzebuje od razu AI

Choć nowe rozwiązania oparte na AI obiecują lepsze wyniki badań, autorzy sugerują, że zakup systemu AI trzeba dobrze przemyśleć. Wdrożenie technologii ma największy sens w pracowniach wykonujących duży wolumen badań, które dysponują potencjałem poprawy wskaźnika ADR oraz potrafią efektywnie wykorzystać stanowisko endoskopowe.

Aby skrócić czas zwrotu z inwestycji, tor wyposażony w AI powinien być wykorzystywany przede wszystkim do kolonoskopii, a nie współdzielony z innymi procedurami. Znaczenie ma też sposób finansowania inwestycji. Im większy udział środków zewnętrznych, tym szybciej szpital pokryje poniesione nakłady. Finansowanie zakupu wyłącznie z własnego budżetu wydłuża czas zwrotu, ponieważ całość kosztów musi zostać pokryta z dodatkowych przychodów wygenerowanych dzięki większej wykrywalności zmian. Opracowany model ma swoje ograniczenia: opiera się na uśrednionych parametrach funkcjonowania publicznego szpitala i nie uwzględnia wszystkich zmiennych ekonomicznych, dlatego powinien być traktowany jako narzędzie wspierające decyzje menedżerskie, a nie gotowy kalkulator inwestycyjny.

Czytaj także: Klinika Mayo stosuje 150 algorytmów AI. Do czego?