Digitalna transformacija u zdravstvu: Primjena umjetne inteligencije u očitanju mamografskih nalaza u Domu zdravlja Primorsko-goranske županije

Izazovi

Dom zdravlja Primorsko-goranske županije, kao i mnoge druge zdravstvene ustanove u Hrvatskoj i šire, suočava se s dugotrajnim i resursno zahtjevnim procesima očitavanja mamografskih snimaka. Jedan od ključnih izazova je kronični nedostatak radiologa, što rezultira dugim listama čekanja, kašnjenjem u postavljanju dijagnoze te povećanim rizikom od propuštanja ranih znakova raka dojke.

U kontekstu ranog otkrivanja raka dojke, vrijeme je ključni faktor. Svaki dan odgode u očitavanju može značiti razliku između uspješnog liječenja i kasne, kompliciranije intervencije. Uz to, interpretacija mamografskih snimaka često uključuje i određenu dozu subjektivnosti, što dodatno povećava pritisak na ograničeni broj dostupnih radiologa i smanjuje dijagnostičku dosljednost među stručnjacima.

Zbog svega navedenog, postalo je nužno razmotriti primjenu umjetne inteligencije (AI) kao tehnološkog partnera u rješavanju ovih izazova. AI ne bi zamijenio stručnjake, već bi im omogućio da učinkovitije, brže i sigurnije obavljaju svoj posao.

Rješenje

U okviru Test Before Invest (TBI) aktivnosti, EDIH Adria je predložio i testirao primjenu AI modela za automatsku detekciju i lokalizaciju lezija na mamografskim snimkama, temeljenog na YOLOv11 algoritmu – jednom od najnaprednijih i najbržih modela računalnog vida za analizu slika u stvarnom vremenu.

Detekcija i lokalizacija sumnjivih lezija – YOLOv11

YOLOv11 (You Only Look Once) model koristi duboke konvolucijske neuronske mreže za analizu cijele slike u jednom prolazu, omogućujući vrlo brzu i preciznu detekciju sumnjivih masa. Sustav detektira i klasificira lezije kao potencijalno benigne ili maligne te automatski označava njihove pozicije na mamografskoj slici, zajedno s razinom pouzdanosti za svaki nalaz.

Prilikom testiranja, model je pokazao značajne rezultate u smislu brzine i točnosti, a dodatna prednost je što se može prilagoditi i dodatno trenirati na domaćim podacima, čime bi se povećala specifičnost u kontekstu hrvatskog zdravstvenog sustava.

Sustav je zamišljen kao alat koji podupire trijažu pacijenata – označava rizične slučajeve i omogućava njihov prioritetni pregled, čime značajno doprinosi optimizaciji dijagnostičkog procesa u uvjetima ograničenih resursa.

Rezultati i koristi

Testna faza rješenja potvrdila je sljedeće koristi:

✅Značajno ubrzanje obrade nalaza – detekcija traje svega nekoliko sekundi po snimci
✅Automatska prioritizacija slučajeva – sustav označava najkritičnije slučajeve za brži pregled
✅Smanjenje kognitivnog opterećenja radiologa – rutinski nalazi se mogu brzo filtrirati, ostavljajući više vremena za kompleksne slučajeve
✅Standardizacija očitanja – smanjuje se varijabilnost među različitim stručnjacima
✅Spremnost za integraciju u kliničku praksu – sučelje i model se mogu povezati s postojećim bolničkim informacijskim sustavima (PACS, RIS itd.)
✅Skalabilnost – rješenje se može proširiti i na druge ustanove koje se suočavaju sa sličnim izazovima

Naučene lekcije

Projekt je naglasio nekoliko ključnih spoznaja:

• Kvaliteta podataka – uspješna primjena AI sustava zahtijeva jasno označene, kvalitetne i raznovrsne podatke
• Uključenost korisnika – suradnja s medicinskim osobljem tijekom testiranja bila je ključna za oblikovanje rješenja koje odgovara stvarnim potrebama
• Fleksibilna arhitektura rješenja – omogućava brzu prilagodbu novim kliničkim uvjetima i regijama
• Povjerenje u sustav – transparentna logika odlučivanja i vizualizacija rezultata povećavaju prihvaćanje među radiolozima

Zaključak

S obzirom na izazove s kojima se zdravstveni sustav sve više suočava, AI postaje nužan saveznik u održavanju kvalitete i brzine dijagnostike. Uvođenjem sustava temeljenog na YOLOv11 modelu moguće je implementirati konkretno, učinkovito i skalabilno AI rješenje koje odgovara izazovima svakodnevice u javnom zdravstvu.

Ovo rješenje ne samo da doprinosi ranom otkrivanju raka dojke, već i služi kao primjer dobre prakse za druge zdravstvene ustanove koje žele modernizirati svoje dijagnostičke procese bez velikih ulaganja i uz minimalne promjene postojećih radnih tokova.

Nakon faze testiranja spomenutog rješenja potrebno je definirati sve korake potrebne za nabavu usluga i resursa potrebnih za realizaciju projekta, što između ostalog, uključuje i izradu tehničkih specifikacija sustava. Također, u dogovoru s ostalim dionicima projekta izradit će se i financijski plan i troškovnik s ciljem pronalaska izvora financiranja koje bi omogućilo početak operativne faze projekta i završno puštanje u rad. Važno je napomenuti kako će se prije potpune implementacije sustav trenirati na velikoj količini nalaza i podataka iz baze Doma zdravlja PGŽ kako bi završno provjerili njegovu točnost i učinkovitost te kako bi potvrdili sve rezultate i koristi utvrđene u preliminarnoj fazi.