Algorithmus-basiertes Glaukom-Screening
Das Glaukom führt zu hohen Krankheitskosten in Deutschland: Im Jahr 2015 lagen diese bei 475 Millionen Euro und machten somit rund 0,14 Prozent der Krankheitskosten insgesamt aus (1). Des Weiteren ist das Glaukom eine Hauptursache für Sehbehinderungen weltweit und kann zu einer dauerhaften Erblindung und somit zu hohen Folgekosten führen. Eine frühzeitige Erkennung des Glaukoms mittels Screening ermöglicht jedoch ein präventives Handeln, sodass eine Erblindung vermieden werden kann (2). Das Glaukomscreening wurde bisher jedoch nicht als kosteneffizient bewertet und wird folglich nicht durch die gesetzlichen Krankenkassen übernommen (3). In Folge dessen werden Glaukome teilweise nicht rechtzeitig erkannt. Könnte ein KI-basiertes Screening zur frühzeitigen, kosteneffizienten Erkennung eines Glaukoms genutzt werden?
Computergestützte automatisierte Screening Verfahren
Trotz der vielen möglichen Testverfahren zur Erkennung eines Glaukoms ist die Kosteneffizienz bisher nicht gegeben, da letzten Endes die manuelle Befundung durch einen Arzt zu aufwendig ist (3). Hierzu muss ein Arzt in der Regel den Sehnerv mittels eines Spaltenmikroskops untersuchen sowie den Augeninnendruck messen.
Vor diesem Hintergrund stellt sich die Frage, ob Algorithmen eine automatisierte, kosteneffiziente Alternative zur manuellen Befundung von Retina Bildaufnahmen im Kontext des Glaukomscreenings darstellen. Um eine automatisierte Befundung durchzuführen, kann ein Klassifikations-Algorithmus trainiert werden, der zwischen auffälligen und harmlosen Aufnahmen unterscheidet (2). Die Grundlage hierfür ist ein annotiertes Trainingsdatenset welches rund 1000 gekennzeichnete auffällige und harmlose Befunde enthält. Durch einen Deep Learning Algorithmus können entsprechende Features extrahiert werden, die eine Verknüpfung visueller Merkmale und bestimmter Befunde zulassen (2). Konkret werden Farbmuster von Pixeln extrahiert, die ein bestimmtes Ergebnis charakterisieren. Anschließend werden die extrahierten Merkmale als Entscheidungsgrundlage für einen Klassifikator genutzt (2).
Verlässliche Ergebnisse in der Testumgebung
Ein solcher Algorithmus erreichte in einer beispielhaft ausgewählten Studie eine Sensitivität von 84,5 Prozent und eine Spezifität von 98,01 Prozent (2). Der Algorithmus ist somit vergleichbar mit herkömmlichen State-of-the-Art Testverfahren, die überwiegend eine Sensitivität von 85 Prozent oder höher erreichen und eine Spezifität von bis zu 98 Prozent (3). Im Gegensatz zu manuellen Verfahren ist das algorithmus-basierte Verfahren jedoch nicht so stark abhängig von externen Faktoren, beispielsweise von der Erfahrung der untersuchenden Person.
Validierung im Versorgungsalltag steht aus
Obwohl die Studienergebnisse vielversprechend sind, muss evaluiert werden, inwieweit die Technologie in der Breite eingesetzt werden kann. Exemplarisch könnte die Bildqualität der Retina Fundus Aufnahmen variieren, verursacht durch Anwendungsfehler während der Bildaufnahme oder dem Einsatz von unterschiedlichen Kameras und Geräten. Dies könnte die Testgenauigkeit negativ beeinflussen (2).
Unter der Annahme, dass die Testgenauigkeit auch im Versorgungsalltag überzeugend ist, kann erwartet werden, dass die automatisierte Befundung die Effizienz des Screenings steigert. Vermutlich könnten Screenings somit vermehrt durch gesetzliche Krankenkassen finanziert werden, um frühzeitige Stadien des Glaukoms zu erkennen und Krankheitskosten zu senken. Eine endgültige Evaluation der Kosteneffizienz steht jedoch noch aus.
In Verbindung mit weiterer Technologie sind neue Prozesse denkbar
Obwohl erste Studien vielversprechend sind, stellt die Anwendung in der breiten Masse eine Herausforderung dar. Die Grundlage einer erfolgreichen Umsetzung der beschriebenen Technologie sind angemessene Fundus Aufnahmen. Derzeit werden diese durch den Arzt erstellt. Dies führt einerseits aufgrund des notwendigen Equipments und andererseits durch den Personaleinsatz zu hohen Kosten (4). Erste Studien zeigen jedoch, dass diese Aufnahmen beispielsweise bereits durch Smartphones in Verbindung mit speziellen Kameraaufsätzen möglich sind (5). Somit ließen sich Kosten aufgrund des notwendigen Equipments reduzieren, trotzdem trägt die weiterhin bestehende Beanspruchung des ärztlichen Personals im Zuge der Aufnahmen zu einem Großteil der Kosten bei (4). Optimal wäre somit die Integration einer solchen Technologie in einer unbemannten Praxis: Eine Art Container, der mit unterschiedlichen Technologien ausgestattet ist und Patienten gewisse medizinische Diagnosen und Behandlungen eigenständig ermöglicht.
Algorithmen ermöglichen automatisierte Befundung – Kosteneffizienz ungewiss
Studien zeigen, dass die eigentliche Befundung von Retina Aufnahmen durch Algorithmen durchgeführt werden kann. Ein Großteil der Kosten entsteht jedoch durch die Aufnahme selbst, sodass das Problem der Kosteneffizienz vermutlich nur durch eine Integration mit weiteren Technologien gelöst werden kann – insbesondere im Kontext unbemannter Praxen können solche Algorithmen einen großen Mehrwert bieten. Krankenkassen sollten Innovationen erstatten, die eine umfassende Unterstützung des gesamten Screeningprozesses ermöglichen. Dieses Angebot muss jedoch erst noch geschaffen und evaluiert werden.
Quellen
- Krankheitskosten in Millionen Euro für Deutschland. Gliederungsmerkmale: Jahre, Geschlecht, ICD10, Einrichtung: Gesundheitsberichtserstattung des Bundes; 2021. zum Original
- Abbas Q. Glaucoma-Deep: Detection of Glaucoma Eye Disease on Retinal Fundus Images using Deep Learning. International Journal of Advanced Computer Science and Applications. 2017;8(6). zum Original
- Hirneiss C, Niedermaier A, Kernt M, Kampik A, Neubauer AS. Health-economic aspects of glaucoma screening. Ophthalmologe. 2010;107(2):143-9 DOI. zum Original
- Lam PY, Chuen CS, Lai JSM, Choy BNK. A Review on the use of Telemedicine in Glaucoma and Possible Roles in COVID-19 Outbreak. Survey of Ophthalmology. 2021. zum Original
- Russo A, Mapham W, Turano R, Costagliola C, Morescalchi F, Scaroni N, et al. Comparison of Smartphone Ophthalmoscopy With Slit-Lamp Biomicroscopy for Grading Vertical Cup-to-Disc Ratio. Journal of Glaucoma. 2016;25(9). zum Original
