AI-baserad prioritering av lungröntgen i lungcancerdiagnostikens vårdkedja: LungIMPACT randomiserade kontrollerade studien

Varför denna studie är viktig för patienter

Lungcancer är en av de mest dödliga cancerformerna, delvis eftersom den ofta upptäcks sent. Många hoppas att artificiell intelligens snabbt kan markera oroande lungröntgenbilder så att personer snabbare får de undersökningar och den behandling de behöver. Denna stora prövning testade om användning av AI för att flytta misstänkta röntgenbilder till början av kön inom Storbritanniens National Health Service verkligen skulle påskynda lungcancerdiagnosen. Svaret ger en viktig verklighetskontroll för hur AI bör användas i vardaglig sjukvård.

Hur lungcancer vanligtvis upptäcks

För många människor är första steget mot en lungcancerdiagnos en lungröntgen som en allmänläkare beställer. Om röntgenbilden ser avvikande ut eller patienten bedöms vara hög risk bör de sedan få en mer detaljerad undersökning kallad CT och träffa specialister snabbt. Nationella riktlinjer i England rekommenderar att en CT helst ska genomföras inom tre dagar efter en misstänkt röntgen, men tryck på skannrar och personal orsakar ofta förseningar. Dessa väntetider kan försämra utfall och orsaka stor oro för patienter som lämnas undrande över sina resultat.

Vad AI-systemet skulle göra

Forskarna testade ett AI-program som granskar lungröntgen direkt när de tas. På vissa dagar, om AI bedömde att en röntgen kunde vara avvikande, flyttades fallet till toppen av radiologins arbetslista för snabbare mänsklig granskning. På andra dagar var AI:s markeringar fortfarande synliga för personalen, men det skedde ingen särskild prioritering. Mer än 93 000 röntgenbilder från nästan 87 000 vuxna över fem NHS-sjukhusgrupper ingick. Huvudfrågorna var om AI-prioritering förkortade tiden till CT och till bekräftad lungcancerdiagnos jämfört med sedvanlig praxis.

Vad prövningen faktiskt fann

Trots studiens omfattning påskyndade inte AI-prioritering de centrala stegen i lungcancerkedjan. Bland över 13 000 personer som gick vidare till CT var den typiska väntetiden från röntgen till CT 53 dagar oavsett om AI-prioritering användes eller inte. Bland de 558 personerna som diagnostiserades med lungcancer var medianen från röntgen till diagnos ungefär en och en halv månad i båda grupperna. Det fanns heller inga meningsfulla skillnader i hur snabbt personer fick brådskande remisser, när behandling startade eller i vilket stadium lungcancer upptäcktes. AI hjälpte visserligen till att förkorta tiden från röntgen till skriftlig rapport, men denna minskning var inte tillräckligt stor för att förändra vad som hände härnäst för patienterna.

Vad AI gjorde rätt och fel

Teamet granskade noggrant fall där AI och mänskliga bedömare inte var överens. Sådana avvikelser inträffade i ungefär en av tre röntgenbilder. Expertgranskare bedömde att i nästan en fjärdedel av dessa diskordanta fall fanns viktiga fynd som krävde någon åtgärd, inklusive många fall som senare visade sig vara cancer. Sammantaget upptäckte AI de flesta cancerfallen i kategorier som uppenbara skuggor, men den gav också ett anmärkningsvärt antal falska larm och missade en liten andel cancerfall, särskilt subtila noduli. Dessa extra kontroller kan lägga mer arbete på redan pressad personal och öka risken för varningsutmattning, där frekventa larm gör att människor blir mindre responsiva över tid.

Vad detta betyder för AI:s framtid i kliniker

Huvudbudskapet från denna prövning är att det inte räcker att enbart använda AI för att omorganisera röntgenbilder i rapporteringskön för att påskynda lungcancerdiagnos i en redan befintlig vårdkedja. Eventuella vinster från snabbare datorgranskningar begränsades av verkliga flaskhalsar som tillgång till skannrar och klinikernas kapacitet. Författarna drar slutsatsen att AI-verktyg för lungröntgen inte bör införas enbart för arbetslistprioritering i denna miljö. Istället behöver framtida insatser undersöka hur AI kan kombineras med bredare förändringar i vårdförloppet, såsom beslut samma dag och samordnade tester, och hur det bäst kan stödja snarare än ersätta noggrann mänsklig bedömning.

Citering: Woznitza, N., Smith, L., Rawlinson, J. et al. AI-based chest X-ray prioritization in the lung cancer diagnostic pathway: the LungIMPACT randomized controlled trial. Nat Med 32, 1737–1744 (2026). https://doi.org/10.1038/s41591-026-04253-5

Nyckelord: lungcancer, lungröntgen, medicinsk AI, diagnostiska vårdförlopp, kliniska prövningar