AI (Artificiell Intelligens) för ST-läkare inom cancersjukdomar

1. Målgrupp

Nivå

ST-läkare

Specialitet

Radiologi, Klinisk patologi, Kirurgi, Onkologi

Ytterligare information

Kursen riktar sig till ST-läkare som ingår i de multidiciplinära teamen vid diagnostik och behandling av patienter med Cancersjukdomar.

2. Behovsbeskrivning

Programvaror baserade på artificiell intelligens (AI) för cancerdiagnostik och som beslutsstöd för behandlingsrekommendationer är under snabb utveckling (1-3). AI-system kommer mycket snart ingå i specialistläkarens kliniska vardag och redan idag finns AI-baserade, regulatoriskt godkända medicintekniska produkter (4-6).

Syftet med kursen ”AI för ST-läkare inom cancersjukdomar” är att ge en översikt över AI och djupinlärningsmetoder som kan användas inom sjukvården, samt ge inblick i kommande AI-system för cancerdiagnostik och beslutsstöd. Djupinlärning är ett område inom AI där komplicerade algoritmer utvecklas genom träning på storskaliga dataset, och kan användas för att dra slutsatser, hitta mönster och korrelationer i tex radiologibilder.

Utbildningen kommer att ge deltagarna en grundlig uppdatering om AI inom framför allt bilddiagnostik av cancer där utvecklingen till klinisk användning kommit längst. Det finns även behov av att förstå regler och myndighetsutövande i området för att säkerställa patientsäkerhet med nya metoder.

Idag finns beslut inom RCC (Regionala Cancercentrum) i samverkan att tilldela medel till projekt för att bland annat stödja användandet av AI. Projekten syftar till nationellt nyttogörande av nya arbetssätt och AI-system, och ska stärka den regionala jämlikheten och effektiviteten inom respektive screeningområde.

3. Kursens mål - förväntat resultat

Övergripande mål

Under de senaste åren har det skett en enorm utveckling inom AI och storskaliga databaserade analyser, vilket resulterat i möjligheter att kraftigt förbättra diagnostik och behandling av cancersjukdomar.

Målet med utbildningen är att ge deltagaren en möjlighet att tillgodogöra sig ny kunskap och diskutera det kliniska användandet av AI med ledande nationella experter inom området. Men även att kunna kritiskt granska nya metoder för att säkerställa patientnytta, kostnadseffektivitet och patientsäkerhet.

Resultat för deltagaren

Efter kursen ska deltagarna:

• Ha kännedom om de AI-metoder som kan appliceras på data från hälso- och sjukvård.
• Förståelse för vikten av kvalitet och volym av underliggande data för en AI-metods träffsäkerhet.
• Selektivitet inom AI-metoder och eventuella risker för den enskilda patienten.
• Kunskap om hur AI-baserade metoder kan användas inom bilddiagnostik för rutindiagnostik.
• Kunskap om AI-baserade beslutsstöd och hur dessa kan appliceras i rutinsjukvården.
• Inblick i nästa generations AI-system för klinisk behandlingsprediktion.
• Kunskap om regulatoriska krav och myndighetsutövande över diagnostiska metoder.
• Kunskap om AI som verktyg inom utredning, diagnostik och uppföljning av tumörsjukdom.

Resultat för patient och samhället

För en säker hälso- och sjukvård krävs att läkare har kunskap om samtliga metoder som används i den kliniska vardagen. Det krävs också att den behandlande läkaren kan diskutera nya, kommande metoder med patienter, och att diagnostiserande läkare kan förmedla detaljerad kunskap vidare till behandlande läkare. För säkert införande av nya metoder i cancersjukvården behöver läkare kunna analysera metodens styrkor och svagheter.

Delmål för ST angivna av kursproducent

2021 / 2015

Radiologi:
STa1 (uppvisa kunskap om hur förändringar av medicinska, tekniska eller organisatoriska förutsättningar kan få betydelse för var, när och hur hälso- och sjukvård kan bedrivas)
STc3 / c3 (ha kunskap om fysikaliska, tekniska, matematiska och statistiska principer för metoder som ingår i kompetensområdet, behärska bildbearbetning för undersökningsmodaliteter inom kompetensområdet)
STc7 / c7 (kunna handlägga de vanligaste interventionerna inom radiologi, ha kunskap om övriga interventioner)
STc11 /c11 (ha kunskap om de vanligaste undersökningarna inom radiologisk bröstdiagnostik, ha kännedom om övriga undersökningar inom radiologisk bröstdiagnostik)

Onkologi:
STa1 (uppvisa kunskap om hur förändringar av medicinska, tekniska eller organisatoriska förutsättningar kan få betydelse för var, när och hur hälso- och sjukvård kan bedrivas)

Kirurgi:
STa1 (uppvisa kunskap om hur förändringar av medicinska, tekniska eller organisatoriska förutsättningar kan få betydelse för var, när och hur hälso- och sjukvård kan bedrivas)
STc2 / c2 (behärska bedömning, diagnostik och initial behandling av akuta kirurgiska och urologiska sjukdomar hos barn och vuxna)

Klinisk Patologi:
STa1 (uppvisa kunskap om hur förändringar av medicinska, tekniska eller organisatoriska förutsättningar kan få betydelse för var, när och hur hälso- och sjukvård kan bedrivas)
STc1 / c1 (behärska histopatologisk diagnostik, kunna handlägga preparat för cytologisk diagnostik)

4. Program

Bifogad fil

https://kursverktyg.lipus.se/app/uploads/2023/01/program-2.docx
https://kursverktyg.lipus.se/app/uploads/2023/01/godkand-pp-unp-swe-0190-speakers-st-utb-ai-6-1-1-3.docx

Referenser

1. Topol E, Nat Med 2019 High-performance medicine: the convergence of human and artificial intelligence | Nature Medicine
2. Azuaje F, NPJ Precision Onc 2019 Artificial intelligence for precision oncology: beyond patient stratification | npj Precision Oncology (nature.com)
3. Wang Y et al., Ann Onc 2022 Improved breast cancer histological grading using deep learning – Annals of Oncology
4. Luchini C et al. Br J Cancer 2021 IJMS | Free Full-Text | Artificial Intelligence for Predicting Microsatellite Instability Based on Tumor Histomorphology: A Systematic Review (mdpi.com)
5. Acs B et al. J Intern Med 2020 Artificial intelligence as the next step towards precision pathology – Acs – 2020 – Journal of Internal Medicine – Wiley Online Library
6. Salim M et al., JAMA Oncol 2020 External Evaluation of 3 Commercial Artificial Intelligence Algorithms for Independent Assessment of Screening Mammograms | Breast Cancer | JAMA Oncology | JAMA Network

Genusperspektiv

Då det i dagsläget inte finns så många nationella experter inom AI och Cancersjukdom har vi valt speakers efter kompetens och erfarenhet.

5. Metodik

Pedagogisk metod

Kursen består av föreläsningar med interaktiva inslag och utrymme för diskussion. 

Kursmaterial

Åhörarkopior kommer att mailas till deltagarna i god tid före utbildningstillfället.

Förberedelser

Eventuella förberedelser kommer meddelas av kursledare i god tid före utbildningsdag och kräver ingen inlämning. Tidsåtgång högst 4 timmar.

Kunskapskontroll

Nej

Kompetensutveckling

Nej

Kompetensöverföring

Nej

6. Utvärdering

Lipus utvärdering

Skriftlig uppföljning där utvärderingen inkluderas kommer att delges både deltagare och föreläsare. Utvärderingen kommer också att användas för framtida vidareutveckling av utbildningskonceptet. 

Planering

Nej

Tidigare Lipus-certifiering

Nej

7. Praktisk information

Kurstillfällen

Startdatum: 24 april 2023
Slutdatum: 24 april 2023
Sista anmälningsdatum: 10 april 2023
Kursplats: Stockholm Centrum

Startdatum: 21 september 2023
Slutdatum: 21 september 2023
Sista anmälningsdatum: 14 september 2023
Kursplats: Göteborg

Kursortens län

Skåne län, Stockholms län, Västra Götalands län

Antal deltagare

30

Språk

Svenska

Avgift

Ingen avgift tas ut av deltagarna. Pfizer står för kostnaderna för föreläsare, lokal och måltider i samband med kursen.

Kringkostnader

Deltagaren bekostar själv resor och eventuellt boende i enlighet med det avtal som finns mellan SKR och LIF. 

Anmälningsförfarande och krav för deltagande

Intresseanmälan för deltagande på kurs sker via webbsidan http://www.pfi.sr/UMC

Det åligger deltagaren själv att inhämta verksamhetschefs/huvudmans godkännande. 

Antagningsförfarande och bekräftelse

Deltagarna antas i den ordning anmälningarna inkommer till dess maxantal uppnåtts. Är kursen full ställs man automatiskt på reservplats och meddelas så snart ledig plats finns. 

Bekräftelse om antagning ges omgående vid anmälan.

Kontaktperson

Maria Almtoft, Pfizer Onkologi

maria.almtoft@pfizer.com 

0768 – 89 25 90

Kursintyg

Intyg för godkänd kurs delas ut till deltagarna på förfrågan. För ST-läkarna kan delmålen enligt SoS föreskrifter specifieras. 

8. Kursansvariga

Initiativtagare

Pfizer onkologi i samarbete med kursledare Johan Hartman.

Ansvarig för innehåll

Johan Hartman, KI

Övergripande kurs- och kvalitetsansvarig

Johan Hartman, professor i tumörpatologi vid Karolinska Institutet och patolog på Karolinska Universitetssjukhuset. Johans forskning rör prognostik och behandlingsprediktion i bröstcancer där bildanalys och AI utgör en central del. Han har praktisk erfarenhet av implementering av AI-system i sjukvården genom sitt eget startup företag Stratipath.

Kursadministration

Marina Eriksson, Country Brand Lead, Pfizer 

Övriga samarbetspartners

Inga övriga samarbetspartners 

Målgruppsrepresentant

Särskild representant har ej konsulterats.

9. Finansiering

Vem/vilka finansierar?

Kursen finansieras av Pfizer. Ev resor och boende bekostas av deltagarna. 

Kringarrangemang

Pfizer står för kostnader för enklare måltider i enlighet med rådande regelverk, medan deltagarna själva bekostar ev resor och boende. 

Sponsorers närvaro

Utbildningen kommer att innehålla muntlig och skriftlig produktinformation om Pfizers läkemedel inom onkologi vid introduktionen och i pauserna. 

Jävsförhållande

Samtliga föreläsare och kursledare har anlitats av Pfizer.