Diskussioner om AI inom patologi handlar ofta om vad en algoritm kan upptäcka. Men i laboratoriets vardag finns en mer praktisk fråga som kan avgöra om tekniken faktiskt kommer till användning: var hamnar resultatet, och vad behöver patologen göra för att komma åt det?

Svaret handlar ofta om ett system som har en central roll i laboratoriets dagliga arbete: laboratorieinformationssystemet (LIS). Där hanteras information om prover och ärenden som behöver kopplas till andra delar av den diagnostiska processen.

AI-verktyg som analyserar vävnadsbilder och markerar områden som kan behöva granskas närmare börjar ta steget från forskning till klinisk användning. Hur väl analysen fungerar är förstås viktigt. Men om ett verktyg används i det dagliga arbetet beror minst lika mycket på hur resultaten passar in i laboratoriets arbetsflöden.

AI behöver en plats i arbetsflödet

Patologins arbetsflöden omfattar betydligt mer än att en patolog granskar ett vävnadssnitt. Ett ärende passerar genom registrering, preparering, skanning, diagnostisk bedömning och svarshantering. I nästan varje steg behövs information som finns i andra system.

Tänk dig ett AI-verktyg som markerar områden i en digital vävnadsbild som kan behöva undersökas närmare. Analysen kan hjälpa patologen att fokusera på relevanta delar av bilden. Men om resultatet bara finns i en separat applikation måste patologen växla mellan olika system för att jämföra det med provuppgifter, tidigare fynd och annan information om ärendet. Verktyget hjälper till, men skapar samtidigt merarbete.

Mycket handlar om interoperabilitet, alltså att olika system kan utbyta och använda information. Ett patologilaboratorium använder vanligtvis LIS, programvara för digital patologi, skannrar, bildhanteringssystem och andra sjukhussystem. Ett AI-verktyg behöver kunna utbyta information med rätt system, samtidigt som kopplingen mellan patient, prov, bild och resultat bevaras.

Och sambanden sträcker sig utanför patologin. Inom cancerdiagnostiken analyseras samma provmaterial i allt större utsträckning av flera laboratoriediscipliner. Det ställer krav på att både provflöden och informationssystem fungerar över avdelningsgränserna.

Enligt Päivi Elo, Senior Product Expert på Mylab, kräver detta ett nära samarbete mellan laboratorierna, med stöd antingen av funktionerna i ett gemensamt laboratorieinformationssystem eller av allt bättre integrationer mellan flera informationssystem.

Nya AI-verktyg kommer att fortsätta utvecklas. Utmaningen är att få dem att fungera tillsammans med de system och arbetsflöden som laboratoriet redan använder, i stället för att lägga till ännu en fristående applikation.

När ett laboratorium utvärderar ett AI-verktyg räcker det därför inte att titta på hur träffsäker analysen är. Minst lika viktigt är att fråga sig var resultaten kommer att visas, vem som får tillgång till dem och när i den diagnostiska processen de ska användas.

Päivi menar också att användningen av AI behöver omfatta mer än den diagnostiska granskningen:

För att AI ska skapa största möjliga nytta i patologilaboratorier behöver tekniken kunna använda information från hela patologiverksamheten. Det räcker inte att begränsa AI till stöd för patologernas diagnostiska granskning. AI behöver också kunna användas för att stödja laboratoriets verksamhet och arbetsflöden.

AI skulle exempelvis kunna hjälpa laboratorier att prioritera inkommande ärenden eller planera hur arbetet fördelas inom teamet. Det är andra användningsområden än bildanalys, men även här krävs tillgång till rätt information vid rätt tillfälle.

Bra AI kräver bra data

Patologin genererar provuppgifter, bilder och diagnostiska fynd, tillsammans med en växande mängd molekylära data. Mycket av informationen är relevant långt efter att den ursprungliga undersökningen har avslutats.

När ett nytt ärende kommer in kan en tidigare biopsi eller ett genetiskt analysresultat från ett annat laboratorium påverka hur det bedöms. I takt med att patologin får allt närmare kopplingar till genetik och molekylär diagnostik blir det viktigare att kunna använda information från flera discipliner. Det blir svårt när uppgifterna finns i separata system eller lagras i format som inte fungerar tillsammans.

EU-förordningen om det europeiska hälsodataområdet, European Health Data Space (EHDS), trädde i kraft 2025. Den innebär att nya krav på delning och användning av elektroniska hälsodata införs stegvis inom EU. För laboratorier är det ytterligare ett skäl att se över hur diagnostisk information struktureras, lagras och görs tillgänglig.

Samma utmaningar uppstår när patologidata ska användas för AI. Historiska data som samlats in under många år kan vara värdefulla för forskning, utveckling av biomarkörer samt träning och utvärdering av AI-modeller. Men det förutsätter att informationen är konsekvent och spårbar och att nödvändiga tillstånd och skyddsåtgärder finns på plats.

Arkiven är viktiga även för den enskilda patienten. Som Päivi påpekar fungerar historiska uppgifter och bevarade preparat som referensmaterial när nya prover analyseras. När diagnostiska metoder utvecklas kan det också bli möjligt att undersöka äldre preparat på nytt och förfina en tidigare bedömning.

En stor mängd data är alltså inte tillräckligt. Tio års resultat som har registrerats på tre olika sätt kan innebära ett omfattande arbete innan informationen går att använda.

LIS innehåller en viktig del av laboratoriets diagnostiska historik. Hur informationen struktureras och förvaltas påverkar vad den kan användas till senare, inte minst när laboratoriet byter system.

Patologen har fortfarande en central roll

AI kan utföra eller stödja vissa avgränsade uppgifter. Men det diagnostiska ansvaret ligger fortfarande hos patologen. Det innebär att patologen behöver kunna se vad verktyget har kommit fram till, granska resultatet och väga in det tillsammans med övrig information om ärendet.

Validering, dokumentation och mänsklig kontroll hör också till. De kraven är lättare att hantera om de finns med när arbetsflödet planeras, i stället för att behandlas som något som ska bockas av vid upphandlingen.

Planera för mer än det första AI-verktyget

Patologin kommer att fortsätta förändras, med nya metoder, ny bildteknik och nya sätt att använda laboratoriedata. Varje förändring ställer nya krav på de system som används i det dagliga arbetet.

Ingen kan säga exakt vilka verktyg som kommer att vara viktigast om fem år. Däremot kan laboratorier påverka hur väl deras systemmiljö klarar att ta emot nya funktioner utan att behöva byggas om varje gång.

Enligt Päivi kräver det standardiserade anslutningar och öppna gränssnitt, så att nya integrationer kan införas mer effektivt och med så lite specialutveckling som möjligt.

Hon ser också en förändring i hur arbetet organiseras, från provcentrerade processer mot användarspecifika arbetslistor som hjälper laboratoriepersonalen att planera och prioritera sina dagliga uppgifter. För laboratorier med ökande provvolymer och begränsad tillgång till specialistkompetens kan den flexibiliteten vara minst lika viktig som ett enskilt nytt verktyg.

Innan ett laboratorium väljer ett AI-verktyg finns det därför anledning att börja med att granska den egna systemmiljön. Kan information föras mellan systemen utan att någon behöver registrera samma uppgifter på nytt? Visas resultaten där personalen faktiskt arbetar? Och kommer dagens diagnostiska information fortfarande att vara begriplig efter nästa systembyte?

Det här är egentligen inte AI-frågor. Men svaren avgör hur väl teknik, arbetsflöden och information kan fungera tillsammans.

En gemensam grund för dagens patologi

Läs mer om hur My+ Pathology stödjer sammanhängande diagnostiska arbetsflöden och informationsutbyte mellan olika system.