The post has been translated automatically. Original language: Russian
A pathologist traditionally works with thin sections of biological tissue on a glass slide — examines them under a microscope, evaluates the cellular architecture, identifies malignant changes and makes a diagnosis. This process requires the highest qualifications, takes a considerable amount of time and depends entirely on the availability of a specialist.
Whole Slide Imaging technology — digital scanning of an entire slide — and computer vision algorithms are changing this picture. But not as revolutionarily fast as it is often presented.
What is digital pathology and where does it already work?
The first histological glass scanning systems appeared in 1999. Modern scanners are able to digitize glass in 30 seconds with a resolution that preserves all diagnostically significant details — and process up to a thousand glasses simultaneously. According to the American Journal of Clinical Pathology, as of November 2024, the FDA has issued 510(k) approval for six whole glass scanning systems for use in primary diagnostics.
This means that digital images of histological preparations are officially recognized by the regulator as sufficient for making a diagnosis — without necessarily referring to a physical glass. This opens up the possibility for telepathology — when a specialist in one city analyzes drugs from a clinic on the other side of the country or the world.
Where AI adds value
Digitalization of glass is only the first step. The next level is algorithms that analyze these digital images.
Tasks where AI already demonstrates clinically significant results: automatic segmentation of tumor zones on a histological image, counting mitoses — dividing cells, the number of which is important for assessing tumor aggressiveness, predicting the molecular characteristics of a tumor from visual tissue patterns without expensive genetic testing.
The international Camelyon project, for example, set the task of automatically detecting breast cancer metastases in lymph nodes on histological sections. The winning algorithms of several rounds of the competition showed accuracy comparable to experienced pathologists, especially in the task of detecting micrometastases, which are easy to miss on visual inspection due to their small size.
Technical challenges that IT solves
One digital snapshot of an entire histological glass takes up over 1 gigabyte. This means that analysis requires specialized image processing techniques of enormous size that do not fit into memory entirely. Hence the Multiple Instance Learning approach, in which an image is divided into overlapping fragments that are analyzed individually and then aggregated.
Domain shift — reducing the accuracy of the model when transferring to data from another clinic or from another scanner is one of the main unresolved problems. Different protocols for staining preparations and different equipment produce visually different images of the same tissue. An algorithm trained on data from one institution often loses accuracy in another — this is an active area of research on data normalization and adaptation.
The new regulatory context is also important: in April 2024, the FDA announced the final decision on laboratory-developed tests, effectively extending regulatory oversight to AI algorithms for digital pathology as medical devices. This changes the requirements for the validation and market launch of such algorithms.
What remains beyond the horizon
Regulators explicitly state that even with approved scanning systems, the microscope should remain available to the pathologist in cases where its use is clinically justified. A number of studies have shown that digital images do not yet completely replace physical glass for detecting certain microorganisms — differences in optical characteristics can affect the diagnosis.
Digital pathology and AI are not a substitute for a pathologist, but tools that increase accuracy in complex tasks, speed up routine tasks, and make expert opinion available where there is no specialist physically available. The digital pathology market is estimated to be around $1.2 billion in 2024 and is expected to grow to $2.6 billion by 2032.
Sources:
- Improving Utilization of Clinical Decision Support Systems by Reducing Alert Fatigue — PubMed, 2016
- Machine Learning Approach to Reduce Alert Fatigue Using a Disease Medication–Related CDSS — PMC, 2020
- Computerized Clinical Decision Support To Prevent Medication Errors and Adverse Drug Events — NCBI Bookshelf, AHRQ, 2023
- Ability of machine learning–based CDSS to reduce alert fatigue — ScienceDirect, 2023
Системы поддержки принятия клинических решений — CDSS — существуют уже несколько десятилетий. Идея проста: программная система, интегрированная с электронной медицинской картой, анализирует данные пациента и в нужный момент предупреждает врача: возможное взаимодействие двух препаратов, критическое значение лабораторного показателя, необходимость профилактической процедуры.
На бумаге — идеальный инструмент безопасности. На практике — одна из самых известных историй о разрыве между намерением и результатом в медицинском IT.
Почему CDSS важны: доказательная база
Мета-анализы и систематические обзоры подтверждают: CDSS, интегрированные с системами электронного назначения лекарств, достоверно снижают количество медикаментозных ошибок. Обзор Agency for Healthcare Research and Quality, охвативший исследования с 2015 по 2023 год, пришёл к выводу о доказательстве средней силы того, что CDSS снижают частоту медикаментозных ошибок, и слабом, но значимом доказательстве предотвращения нежелательных лекарственных событий.
Это важные результаты, учитывая, что медикаментозные ошибки входят в число наиболее распространённых предотвратимых причин вреда пациентам в стационарах по всему миру.
Парадокс alert fatigue: почему система перестаёт работать
Здесь начинается главная проблема. Исследования показывают: от 33% до 96% клинических предупреждений, генерируемых CDSS, врачи игнорируют. Другие данные фиксируют, что около 90–96% алертов просто закрываются без ответных действий.
Причина не в том, что врачи безответственны. Причина в том, что системы генерируют слишком много предупреждений низкой клинической значимости. Когда на 100 алертов приходится 95 незначительных — врач неизбежно начинает закрывать всё подряд, включая те 5 действительно важных.
Это явление называют alert fatigue — усталостью от предупреждений. Оно не только снижает эффективность CDSS, но и создаёт новый риск: врач, приученный игнорировать алерты, может пропустить критически важное предупреждение.
Где IT может решить эту проблему
Классические CDSS построены на правилах: «если препарат A назначен одновременно с препаратом B — выдать предупреждение». Такие системы не учитывают контекст: уже ли знает врач об этом взаимодействии, принял ли он осознанное решение его допустить, какова индивидуальная история данного пациента.
Новое поколение CDSS использует машинное обучение для предсказания вероятности того, что конкретный врач примет к сведению конкретное предупреждение в данном контексте. Алерты с низкой предсказанной вероятностью принятия подавляются или переводятся в пассивный режим — сохраняются в журнале, но не прерывают работу. Это снижает общий поток прерываний при сохранении критических предупреждений.
Исследование машинно-обученной системы поддержки решений в академическом tertiary госпитале показало, что за двухлетний период из более чем 28 500 алертов врачи приняли к сведению около 49% — значительно выше типичных показателей переопределения для традиционных систем.
Архитектурный вывод для разработчиков
CDSS эффективна не тогда, когда она выдаёт как можно больше предупреждений, а когда каждое предупреждение имеет достаточную клиническую значимость, чтобы врач не мог позволить себе его проигнорировать.
Это означает: разработка CDSS — это не только алгоритмы выявления потенциальных проблем, но и алгоритмы фильтрации и приоритизации, которые уважают когнитивную нагрузку врача как ограниченный ресурс.
📌 CDSS — один из наиболее доказательно обоснованных инструментов снижения медикаментозных ошибок. Но его потенциал реализуется только тогда, когда система достаточно умна, чтобы не говорить всё одновременно.
Источники:
- Improving Utilization of Clinical Decision Support Systems by Reducing Alert Fatigue — PubMed, 2016
- Machine Learning Approach to Reduce Alert Fatigue Using a Disease Medication–Related CDSS — PMC, 2020
- Computerized Clinical Decision Support To Prevent Medication Errors and Adverse Drug Events — NCBI Bookshelf, AHRQ, 2023
- Ability of machine learning–based CDSS to reduce alert fatigue — ScienceDirect, 2023
Share
