Diseño de Servicios en Patología Digital: Propuesta de Valor para Apoyar la Labor Diagnóstica

Abstract

El cáncer es una de las principales causas de mortalidad a nivel mundial, siendo la primera en Chile, y en donde se prevé un aumento del 60% en los próximos 20 años. Así mismo, los exámenes de Anatomía Patológica (AP) han aumentado, conllevando una sobrecarga de trabajo para los patólogos. Además, se ha evidenciado cierto grado de variabilidad en el diagnóstico. Por ejemplo, en cáncer de colon la variabilidad interobservador es moderada (κ = 0.59), e intraobservador menor (κ = 0.71) pero con un cambio del diagnóstico entre 3 hasta 30% de los casos. El diagnóstico correcto y oportuno es crítico para los pacientes que inician tratamientos agresivos. A partir de esto surge la interrogante ¿Cómo apoyamos la labor diagnóstica de patólogos/as y mejoramos sus condiciones de trabajo? La Patología Digital (PD) es el estudio de placas virtuales, que al incorporar Inteligencia Artificial (IA), adquiere el potencial de apoyar la labor diagnóstica mediante el análisis de imágenes digitales de biopsia, implementando Sistemas de Soporte a la Decisión Clínica (SSDC). En particular, durante los años 2020 y 2021 el proyecto FONDEF ID19|10334 DeepPathology, generó una plataforma de PD, con componentes para un SSDC basado en algoritmos de IA para segmentación y clasificación de cáncer de colon. En el contexto descrito, este trabajo de tesis diseñó Servicios de Soporte a la Decisión Clínica (SeSDC), basados en los algoritmos de IA desarrollados para la plataforma DeepPathology. Se consideraron como factores claves: (i) usabilidad, (ii) desarrollo colaborativo, y (iii) integración orgánica en los flujos de trabajo, para habilitar un nuevo proceso que brinde apoyo a la labor diagnóstica de los especialistas de AP e incremente el valor para los pacientes. El desarrollo del trabajo consideró la elaboración de artefactos de software para la especificación de los SeSDC. Mediante una encuesta se caracterizó a los usuarios patólogos/as y se evaluó el valor que otorgaban a cuatro servicios. Utilizando notación BPMN (Business Process Model Notation) se modeló el actual proceso diagnóstico y se propuso la integración de los SeSDC en el flujo de trabajo de un servicio de AP. Con base en la implementación de un prototipo se evaluó el nivel de aceptación. Se tradujo y adaptó el marco de trabajo NASSS para evaluar aquellos factores claves en una implementación. Los resultados entregaron el diseño de los SeSDC basados en los modelos de IA desarrollados para la plataforma DeepPathology. Se generó un nuevo proceso diagnóstico mediante el rediseño que integró los SeSDC en el flujo de trabajo de un servicio de AP. Los factores propuestos como claves fueron evaluados como facilitadores, pero se detectaron otros factores necesarios de considerar para habilitar una adopción exitosa de este nuevo proceso diagnóstico. El presente trabajo aporta una propuesta de diseño de servicios en PD que aspira a entregar directrices para la integración de IA en un flujo clínico. Contribuye a la evidencia empírica sobre los desafíos para el uso de IA en SeSDC de AP. Se espera que esta propuesta pueda ser replicada en otras especialidades médicas que enfrentan desafíos similares. En conclusión, esta tesis aporta una metodología que establece cómo integrar IA en un flujo clínico mediante SeSDC. identificando los principales factores a considerar para habilitar una implementación exitosa del nuevo proceso diseñado para entregar apoyo a la labor diagnóstica de los patólogos/as en beneficio de los pacientes.

Cancer is one of the leading causes of mortality worldwide. It is the first in Chile and is expected to increase by 60% in the next 20 years. Likewise, the number of Anatomic Pathology (AP) examinations has increased resulting in an overload of work for pathologists. In addition, a certain degree of variability in diagnosis has been evidenced. For example, in colon cancer, interobserver variability is moderate (κ = 0.59), and intraobserver variability is lower (κ = 0.71) but with a change in diagnosis between 3 to 30% of cases. Correct and timely diagnosis is critical for patients initiating aggressive treatments. This raises the question: How do we support the diagnostic labor of pathologists and improve their working conditions? Digital Pathology (DP) is the study of virtual slides, which by incorporating Artificial Intelligence (AI), acquires the potential to support the diagnostic work through the analysis of digital biopsy images, implementing Clinical Decision Support Systems (CDSS). In particular, during 2020-2021 the FONDEF ID19|10334 project DeepPathology generated a DP platform, with components for a CDSS which implemented AI algorithms for segmentation and classification of colon cancer. In the described context, this thesis work designed Clinical Decision Support Services (CDSSe) based on AI algorithms developed for the DeepPathology platform. Key factors considered were: (i) usability, (ii) collaborative development, and (iii) organic integration into workflows, to enable a new process to support the diagnostic work of AP specialists and increase value for patients. The development considered the elaboration of software artifacts for the specification of CDSSe. A survey was carried out to characterize the pathologist users and to evaluate the value they gave to four services. Using BPMN (Business Process Model Notation), the current diagnostic process was modeled and the integration of CDSSe into the workflow of an AP service was proposed. Based on the prototype's implementation, the acceptance level was evaluated. The NASSS framework was translated and adapted to evaluate those key factors in implementation. The results delivered the design of CDSSe based on AI models developed for the DeepPathology platform. A new diagnostic process was generated through the redesign that integrated CDSSe into the workflow of a AP service. The proposed key factors were evaluated as facilitators, but other factors that needed to be considered were detected to enable successful adoption of this new diagnostic process. This work provides a proposal for service design in DP that aims to provide guidelines for the integration of AI in a clinical flow. It contributes to the empirical evidence on the challenges for the use of AI in CDSSe for AP. It is expected that this proposal can be replicated in other medical specialties facing similar challenges. In conclusion, this thesis provides a methodology that establishes how to integrate AI into a clinical workflow through CDSSe, identifying the main factors to be considered to enable a successful implementation of the new process designed to support the diagnostic work of pathologists for the benefit of patients.