Sundhedsvæsen

Ekkokardiografi med AI-vejledning giver højt udbytte i kontrollerede studier

Lila Rowan
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterKontrollerede omgivelser gav 98,0 % diagnostisk kvalitet i ekkokardiografi, mens…
Vis mere
  • Kontrollerede omgivelser gav 98,0 % diagnostisk kvalitet i ekkokardiografi, mens decentraliserede samfundsstudier samlet gav 63,7 %.
  • Sammenligningen af omgivelser var post hoc og confounded af supervisionstræning og patientselektion, så årsagssammenhæng forbliver ubevist.
  • Diagnostisk kvalitet i optagelse er ikke nøjagtig diagnose, og ingen undersøgelse koblede AI-vejledning til patientudfald.

Et systematisk review og en metaanalyse af Bijay Bastola og kolleger, offentliggjort den 16. november 2026 i BMC Cardiovascular Disorders, anslog, at den samlede andel ekkokardiografiske undersøgelser af diagnostisk kvalitet var 96,3 % blandt nybegyndere og ikke-eksperter, der brugte AI-vejledning i realtid, på tværs af otte studier. Målet afspejler, om en billedoptagelse opfyldte den på forhånd fastlagte tærskel for tilstrækkelig kvalitet i det enkelte studie.

Resultaterne varierede markant alt efter, hvordan AI-vejledningen blev anvendt. Seks studier gennemført under kontrollerede eller strukturerede forhold viste en samlet andel på 98,0 % med et 95 %-konfidensinterval fra 96,7 % til 99,2 %. To decentraliserede studier fra lokalsamfund i den virkelige verden viste tilsammen 63,7 % med et 95 %-konfidensinterval fra 20,6 % til 92,6 %; de individuelle andele var 44,8 % og 79,8 %. En metaregression viste, at forskellen mellem undergrupperne var statistisk signifikant ved p < 0,001.

Forfatterne betragtede denne sammenligning som en efterfølgende, eksplorativ analyse, der ikke var præregistreret. Anvendelsesstedet hang sammen med supervision, oplæring, operatørernes baggrund, patientudvælgelse og definitionerne af resultaterne, så analysen fastslår ikke, at anvendelsesstedet var årsagen. Da der kun indgik to studier fra lokalsamfund, er det lavere estimat beskrivende og ikke en forudsigelig succesrate for fremtidige programmer.

Hvad reviewet målte

Analysen omfattede 2.365 observationer på undersøgelses-, skannings- eller billedniveau, indsamlet af 74 operatører uden forudgående formel uddannelse eller certificering i ekkokardiografi. De inkluderede studier omfattede virkelige patienter og AI-vejledning under selve billedoptagelsen, ikke automatisk fortolkning af billeder, der var optaget tidligere. Evidensen dækkede fem AI-systemer og flere typer operatører, fra sygeplejersker og forskningsmedarbejdere uden klinisk baggrund til medicinstuderende, praktiserende læger og sundhedsarbejdere i lokalsamfund.

To bedømmere søgte uafhængigt i PubMed/MEDLINE, Google Scholar, Embase, Scopus og ClinicalTrials.gov; den seneste opdatering blev foretaget den 27. september 2026. En anden statistisk model anslog den samlede andel til 93,0 %; følsomhedsanalyser med forskellige studiesæt, resultatdefinitioner og statistiske metoder gav værdier fra 91,2 % til 97,8 %. Hovedestimatets 95 %-konfidensinterval var fra 85,5 % til 99,3 %, og de betydelige forskelle mellem studierne fik forfatterne til at advare mod at betragte det samlede estimat som en universel andel for nye anvendelser.

Billedkvalitet og kliniske resultater

I fem studier vurderede uafhængige eksperter, om billederne var tilstrækkeligt gode. I de tre øvrige studier blev billederne anset for tilstrækkeligt gode, hvis AI-softwaren kunne generere en automatisk måling af venstre ventrikels uddrivningsfraktion, som er et mål for hjertefunktionen; dermed var det system, der blev evalueret, også med til at bestemme resultatet. Ikke alle observationer svarede til en særskilt patient: Seks studier rapporterede undersøgelser, ét talte 60 skanningsforsøg hos 10 patienter, og et andet talte 954 billeder fra 159 patienter.

Da næsten alle de inkluderede studier var uden kontrolgruppe, viser resultaterne, hvad nybegyndere opnåede med AI-vejledning, snarere end hvor meget vejledningen bidrog sammenlignet med billedoptagelse uden hjælp. En billedoptagelse af diagnostisk kvalitet er heller ikke det samme som en korrekt diagnose, og ingen af studierne rapporterede om virkninger på den kliniske behandling eller patientresultater.

Bedømmerne fremhævede oplæring af operatører, supervision, kontrol af billedkvalitet og kvalitetssikring som prioriteter ved en bredere anvendelse og efterlyste sammenlignende studier med virkelige patienter, der forbinder billedkvalitet med diagnostisk nøjagtighed og patientresultater. For screeningsprogrammer er den praktiske konsekvens, at oplærte ikke-eksperter under strukturerede protokoller kan optage billeder, mens en bredere anvendelse stadig kræver dokumentation for, at pålidelige billedoptagelser kan gentages i lokalsamfund, og at billederne fører til korrekte diagnoser og bedre patientresultater.

Lila Rowan er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker krydsfeltet mellem kunstig intelligens, sundhedsvæsen og mental sundhed. Hendes arbejde fokuserer på, hvordan AI-drevne værktøjer forbedrer diagnostik, udvider adgangen til sundhedsydelser og understøtter mentale sundhedsydelser på måder, der supplerer - ikke erstatter - menneskelige kliniske eksperter.
Med et medfølende og evidensbaseret perspektiv undersøger Lila kliniske studier, virkelige implementeringer og fremvoksende sundhedsteknologier fra et humanistisk perspektiv. Hun er særligt interesseret i AI-anvendelser, der reducerer barrierer for adgang til sundhedsydelser, forbedrer tidlig opdagelse og understøtter mental velvære, samtidig med at de respekterer patienternes privatliv, sikkerhed og etiske standarder.
Artikler skrevet af Lila Rowan er AI-genererede og gennemgået af Unite.AIs redaktionelle team for at sikre nøjagtighed, følsomhed og ansvarlig rapportering om sundheds- og mental sundheds-teknologier.