DaiSiCaM
Digitalt understøttet arbejdsgang der kombinerer teledermatoskopi (Dermloop-platformen) og AI-billedanalyse til at effektivisere diagnostik af mistænkt hudkræft på tværs af sektorer — og reducere ventetider på op til 42 uger.
Beskrivelse af systemet
DaiSiCaM er et projekt der etablerer en digitalt understøttet arbejdsgang til diagnostik af mistænkt hudkræft på tværs af den danske sundhedssektor. Via Dermloop-platformen kan praktiserende læger uploade dermoskopibilleder til virtuelle konsultationer med specialister på OUH og Rigshospitalet. En AI-diagnostikværktøj understøtter billedanalysen og guider de praktiserende læger. Formålet er at reducere ventetider (op til 42 uger) og unødvendige biopsier samt styrke den løbende kliniske uddannelse og feedback. Projektet er finansieret af OUH og involverer DTU, Melatech og CAI-X som partnere.
Projektet løber fra 2023 til 2027 og er finansieret af Odense Universitetshospital.
Systemet anvender AI til billedanalyse af dermoskopibilleder af hudlæsioner med henblik på at klassificere og diagnosticere mistænkt hudkræft. AI-værktøjet guider praktiserende læger i analysen og understøtter virtuelle konsultationer via Dermloop-platformen. Den konkrete AI-metode og underliggende model er ikke nærmere beskrevet i de tilgængelige kilder.
Systemet anvender billeder af hudlæsioner og kliniske diagnostiske data fra dermatologiske konsultationer. Der er ikke fundet yderligere oplysninger om træningsdatasættets sammensætning.
Systemet er designet til at understøtte — ikke erstatte — den kliniske vurdering. Dermloop-platformen muliggør feedback-loops der løbende uddanner de praktiserende læger. Der er ikke fundet yderligere oplysninger om konkrete sikkerhedsforanstaltninger.
Der er ikke fundet oplysninger om pilotprojekter forud for det nuværende projekt.
Ventetider på op til 42 uger for hudkræftdiagnostik er en alvorlig udfordring for patientsikkerheden. Ved at kombinere teledermatoskopi og AI kan praktiserende læger gennemføre virtuelle konsultationer og få AI-understøttet vejledning, hvilket kan reducere unødvendige fysiske fremmøder, ventetider og biopsier.
ALIVE (PROJ-022): Anvender ligeledes maskinlæring til billedanalyse af vævsprøver til kræftdiagnostik (lymfeknuder). EUCanScreen (PROJ-021): EU-projekt der integrerer AI i kræftscreening, herunder brystkræftdiagnostik. AI Mammo: Anvender billedgenkendelse til analyse af mammografibilleder for eventuelle tumorer.
Udbredelse af AI-understøttet diagnostik til praktiserende læger uden specialistuddannelse i dermatoskopi forudsætter robust validering og klare grænser for systemets anvendelsesområde. Risikoen for overafhængighed af AI-vejledning hos ikke-specialister bør adresseres gennem løbende uddannelse og feedback, som projektet tilsyneladende prioriterer.
