Studie o AI v zubním RTG se hodnotily špatným nástrojem. Nový rámec to napravuje

Jeden metr na všechno nefunguje

Když čteš titulek „AI najde kaz s přesností 98 procent", první otázka by měla být: jak se k tomu číslu došlo. Právě tady začíná problém, který popisuje tým kolem Volodymyra Kachmara. Studie o AI v zobrazování zubů a čelistí mají různé cíle. Jedna hledá, kde na snímku je zub nebo kaz. Druhá měří, jak přesně to model najde oproti zubaři. Třetí předpovídá, jak se bude stav pacienta vyvíjet.

To jsou metodologicky odlišné úlohy. Přesto systematické přehledy podle autorů často používaly jediný upravený hodnoticí nástroj napříč všemi. Následek si představ jako měření teploty v kuchyni pomocí pravítka – výsledek dostaneš, jen k ničemu není.

Recenze rozlišuje tři vrstvy hodnocení. Úplnost reportingu říká, jestli autor ve studii popsal vše potřebné. Riziko zkreslení (risk of bias) říká, jestli je výsledek metodicky solidní. A použitelnost (applicability) říká, jestli se závěr dá vztáhnout na skutečnou ordinaci.

Co se změnilo v nástrojích

Klíčové je, že poslední dva roky přinesly nové, přesněji vymezené nástroje. STARD-AI, publikovaný v Nature Medicine v roce 2025, je reportingová směrnice pro studie diagnostické přesnosti s AI. Vznikla za účasti více než 240 lidí z celého světa. PROBAST+AI vyšel v BMJ v roce 2025 a nahrazuje původní PROBAST z roku 2019 – hodnotí kvalitu, riziko zkreslení a použitelnost predikčních modelů. A QUADAS-3, publikovaný v Annals of Internal Medicine letos, reviduje hodnocení studií diagnostické přesnosti.

K tomu přibyly dřívější check‑listy: CLAIM (aktualizace 2024) pro AI v medicínském zobrazování, TRIPOD+AI (2024) pro predikční modely, CONSORT‑AI a SPIRIT‑AI (2020) pro klinické studie a DECIDE‑AI (2022) pro rané klinické hodnocení systémů na podporu rozhodování. Právě proto, že se škála rozrostla, je podle autorů důležité nástroje nesměšovat a přiřadit je k úloze.

Který nástroj k jaké úloze

Jádrem článku je směrování podle úlohy (odtud task‑routed). Zjednodušeně to vypadá takto:

• Detekce a segmentace (najdi kaz, očísluj zuby) – pro reportování slouží CLAIM; hodnocení rizika zkreslení se opírá o nástroje pro diagnostickou přesnost.
• Diagnostická přesnost (jak přesně model něco najde) – reportuje se podle STARD‑AI, riziko zkreslení se hodnotí QUADAS‑3 nebo QUADAS‑AI (2021).
• Predikční model (co se s pacientem stane) – reportuje se podle TRIPOD+AI, hodnotí se PROBAST+AI.
• Klinická studie intervence – CONSORT‑AI (report), SPIRIT‑AI (protokol) a DECIDE‑AI pro ranou fázi.

Pointa recenze není, že by jeden nástroj byl „nejlepší". Je to, že volba nástroje musí odpovídat výzkumné otázce. Špatně zvolený check‑list totiž může studii, která je metodicky v pořádku, označit za nekvalitní – nebo naopak propustit slabou studii, protože správnou otázku nikdy nepoložil.

Proč na tom záleží i v Česku

Téma není akademické cvičení. Software, který z rentgenového snímku vyvozuje diagnózu, je v Evropské unii zdravotnický prostředek podle nařízení o zdravotnických prostředcích (MDR, nařízení EU 2017/745). Musí projít klinickým hodnocením a nést označení CE. Navíc Akt o umělé inteligenci (nařízení EU 2024/1689, v platnosti od 1. srpna 2024) řadí AI ve zdravotnických prostředcích do vysoce rizikové kategorie, což znamená další povinnosti ohledně transparentnosti, dat a dohledu.

Právě kvalita podkladových studií je to, co regulátoři i pojišťovny při posuzování takového nástroje čtou. Pro českou ordinaci, která zvažuje nasazení AI asistenta pro druhé čtení snímků, tak rámec z Cureus dává jednoduchou pomůcku: podívej se, jaký typ úlohy nástroj řeší, a jestli jeho studie hlásí výsledky podle odpovídající směrnice a prošla správným hodnocením rizika zkreslení.

Limity, které je férové zmínit

Jde o narativní metodologickou recenzi, nikoli o kvantitativní analýzu. Autoři navrhují koncepční rámec a mapují dostupné nástroje, ale neměří, jak moc se v praxi chybná volba nástroje reálně projevuje na závěrech publikovaných přehledů. To sami uvádějí jako prostor pro další práci.