Skip to main content

Sundhedspolitisk Tidsskrift

Kræft- og hjertelæger: Det her kommer til at gennemsyre måden, vi behandler på

En særlig type kunstig intelligens kan forudsige overlevelsen for hjertepatienter og udpege hvilke leukæmipatienter, der får det største behandlingsbehov. Metoden kaldes prædiktiv analyse og får i stigende grad lægekunst til at ligne datadrevet spådomskunst. ”Jeg tror, at vi kommer til at se et sundhedsvæsen 2.0," siger professor.

Kunstig intelligens i sundhedsverdenen

Denne artikel er nummer to i en serie, hvor vi introducerer forskellige typer af kunstig intelligens. Vi forklarer grundtrækkene ved hver teknologi, giver eksempler på anvendelse – og potentiel anvendelse – og taler med førende forskere fra de tre områder.

Tre typer kunstig intelligens:

Natural Language Processing (NLP): Computeren forstår og behandler almindeligt sprog. 
LÆS ARTIKEL HER

Computer Vision (CV): Computeren kan behandle og analysere billeder.
LÆS ARTIKEL HER

Dataanalyse: Computeren kan analysere store datamængder, sortere, finde mønstre mv.
LÆS ARTIKEL HER

Hvad stiller man op med en patientgruppe, som i princippet først skal behandles, når de får symptomer, men som i mange tilfælde dør, før symptomerne viser sig? Det spørgsmål blev Carsten Utoft Niemann og hans kolleger konfronteret med for godt syv år siden. Ud over at være læge med speciale i kronisk lymfatisk leukæmi (CLL) er han blandt andet leder af CLL-laboratoriet, hvor de fandt ud af, at patienterne alt for ofte døde af infektioner, før de påbegyndte behandling.

”10 procent var døde inden for en måned efter den første alvorlige infektion, så vi måtte prøve at finde dem før,” siger Carsten Utoft Niemann. Og det er her, kunstig intelligens kommer ind i billedet. Hvis der findes tilstrækkeligt gode data, er det nemlig muligt at træne en algoritme op, som kan fortælle, hvem patienterne er, før de får synlige tegn på komplikationer.

”Algoritmen hjælper os med at finde præcis de mønstre i data, som er relevante for at kunne udpege de patienter, der får brug for behandling,” siger Carsten Utoft Niemann.

Modellen er i sundhedsplatformen

Hans forskningsgruppe prøvede først med forskellige data, der ikke virkede, men det ændrede sig, da de kontaktede Regionernes Kliniske Kvalitetsudviklingsprogram, RKKP. I programmets enorme register var der data på 4.500 patienter med CLL. Det har de nu udvidet til 65.000 patienter med lymfoide cancere, som er diagnosticeret i Danmark siden 2002, og de oprindelige 1.800 variable for hver patient er øget til 3.000. Da de begyndte at træne en algoritme på det store datasæt, gav det ret hurtigt pote.

”I dag har vi udviklet en metode til at finde højrisikopatienter med, og den er implementeret i et klinisk forsøg for at teste, om vi kan forbedre infektionsfri overlevelse ved den hyppigste form for leukæmi, CLL. Men vi har taget det et skridt videre og fået modellen direkte ind i sundhedsplatformen, vores elektroniske journalsystem,” siger Carsten Utoft Niemann.

At det er lykkedes at få algoritmen implementeret i forsøget er en succes i sig selv, og det skete trods en lang og frustrerende COVID-19-forsinkelse. Carsten Utoft Niemann tilskriver det – ud over de gode data – i høj grad et velfungerende og heterogent team. Ud over læger tæller hans forskningsgruppe blandt andet forskere fra Institut for Matematik og Computerscience på Danmarks Tekniske Universitet, DTU i Lyngby. Resultatet blev CLL-TIM-modellen. Ifølge den anerkendte forsker – der i øvrigt siger, at han egentlig er gladere for patientkontakt end for forskning – er det kun første skridt for det enorme potentiale, som data og kunstig intelligens har inden for medicin.

Fra TV-serier til medicin

”Dette her er noget, der kommer til at gennemsyre måden, vi behandler og laver beslutningsstøtte på. Lægekunst handler om at bruge den samlede viden, man har fra uddannelse, klinisk erfaring og videnskabelig litteratur. I dag står vi der, hvor lægekunstbegrebet bør udvides. Vi kan f.eks. kalde det datadrevet medicin,” siger han.

Prædiktiv analyse er et område, hvor algoritmernes evne til at finde mønstre i store datamængder, har vist imponerende resultater i mange år. De fleste kender det fra e-handel, hvor metoden kan forudsige, hvad vi har interesse i, og give os personlige købsanbefalinger eller fra streamingtjenester, hvor vi får personlige anbefalinger til den næste serie. Men prædiktiv analyse kan altså også bruges til at fortælle, hvad vi kommer til at fejle og med større og større held anvise, hvilken type af medicin, der vil virke bedst på hver enkelt af os.

Hjertet banker for kunstig intelligens

Fem etager højere oppe, på Rigshospitalets 14. sal, arbejder professor og overlæge Henning Bundgaard med at lade en tilsvarende analysemetode komme til gavn for hjertepatienter. Målet – som han anser for at være tæt på – er bedre at kunne justere behandlingen af patienter med iskæmisk hjertesygdom ved at kende deres chance for overlevelse.

”Den algoritme, vi har udviklet, er ret præcis og kan desuden for den enkelte patient angive de to til tre faktorer, der taler mest for en bedre prognose og de to til tre ting, der tyder på en alvorligere prognose. Vi er nu så langt med det, at vi kan lave en klinisk undersøgelse af, hvordan det fungerer i praksis, og også af, hvordan det bliver modtaget af klinikere,” siger Henning Bundgaard.

Hvad kan dataanalyse bruges til?

Perspektiverne for brug af AI-drevet dataanalyse inden for medicin er enorme. Noget er indført i klinisk praksis, noget er tæt på, og andet stadig et godt stykke væk. Her er fire mulige anvendelser af dataanalyse inden for sundhed. 

  1. Forudsige risikoen for at udvikle kroniske sygdomme som diabetes, hjertesygdom og kræft baseret på faktorer som alder, livsstil og arvelighed.
  2. Identificere patienter med høj risiko for hospitalsindlæggelse, så sundhedspersonale kan intervenere tidligt og undgå indlæggelser.
  3. Forudsige patientrespons på specifikke behandlinger baseret på genetiske og andre biomarkører, hvilket muliggør personlig medicin.
  4. Identificere patienter med høj risiko for bivirkninger fra bestemt medicin, så læger kan justere behandlingsplaner og undgå komplikationer.

Det store projekt har været undervejs i cirka tre år og er blandt andet støttet af Innovationsfondene under NordForsk i Danmark, Norge og Island. Henning Bundgaard, der står for projektet, forventer, at den kliniske undersøgelse går i gang i løbet af få måneder.

”Vi kan jo endnu ikke vide, om lægerne vil tage imod det og bruge det. Her tror jeg, at det med, at det foregår automatisk, og at man ikke skal lede og ikke selv taste er helt afgørende. Vi skal klæde vores kolleger på til at arbejde med det. Det skal stå helt klart, at det er en støtte for dem. At det ikke bare er endnu en sundhedsplatforms-plage, for dem er der nok af, vil mange mene,” siger Henning Bundgaard, som til gengæld ikke prøver på at skjule, at han er optimistisk. Så meget, at han tror på, at de livreddende informationer, man kan få, når algoritmer analyserer enorme datamængder, vil blive gængse redskaber på linje med basale blodprøvesvar.

To store ønsker: Data og data

Da vi spørger Henning Bundgaard og Carsten Utoft Niemann om, hvad de ville ønske, hvis de frit kunne vælge én ting, der ville gøre livet som forsker inden for kunstig intelligens nemmere, ligger deres svar meget tæt op ad hinanden. De handler begge om data.

”Mit ønske er, at vi i sundhedsvæsenet kan råde over alle sundhedsrelaterede data. Og at vi får lettere adgang. Alle de data, der ligger i de nationale registre, skal vi have i sundhedsvæsenet. Hvis din fødselsvægt betyder noget for, om du får kranspulsåresygdom, så skal de data komme DIG til gavn. Hvis vi samlede alle de data, kunne vi sætte noget stort op, som rakte langt ud over Danmarks grænser,” siger Henning Bundgaard.

Carsten Utoft Niemann går et skridt videre og peger på de utrolige sundhedsmæssige fremskridt, der kunne laves, hvis vi fik en ens datainfrastruktur på verdensplan for alle sundhedsdata. Uanset, om ønsket går i opfyldelse eller ej, er hans tilgang dog præget af en stærk optimisme.

”Hvis vi kigger 10 år frem i tiden, er perspektiverne enorme. Vi vil kunne understøtte vores beslutninger med data indhentet i realtid og hele tiden få at vide, hvordan vi gør noget bedre,” siger han. Henning Bundgaard er enig.

”Jeg tror, at vi kommer til at se et sundhedsvæsen 2.0, hvor vi bliver meget, meget mere præcise i at stille diagnoser. Og meget bedre til at finde ud af, hvilke behandlinger der virker, og hvem de virker på, så vi kan fokusere på det og lægge det, der ikke virker, til side. Fremtiden er lys. Der er masser af fantastiske tiltag på vej, vi kan glæde os over alt sammen,” siger Henning Bundgaard.

Carsten Utoft tilføjer, at en vigtig forudsætning for succesen er uddannelse.

”Hvis vi skal udvikle og implementere tiltagene, er det svært at overvurdere betydningen af videreuddannelse af både læger, forskere og data scientists. Et af de skridt, vi har taget, er at lave en ny masteruddannelse i personlig medicin,” siger han.

Lige så vigtigt som EKG

Danmark er langt fremme med prædiktiv analyse, men metoden anvendes i stigende grad i sundhedsvæsenet i store dele af verden. Et konkret eksempel fra USA handler om alvorlige infektioner, der fører til blodforgiftning, hvilket hvert år er skyld i over en kvart million amerikaneres død. Problemet er ofte, at det opdages for sent, men her har prædiktiv analyse gjort en afgørende forskel. Ved at udvikle en algoritme, som giver en langt mere præcis forudsigelse af, hvem der vil udvikle blodforgiftningend tidligere systemer, er det lykkedes at nedbringe dødeligheden af blodforgiftning på hospitaler med 18 procent

Systemet hedder TREWS (Targeted Real-time Early Warning System) og er testet på foreløbig fem forskellige hospitaler i USA. En af forskerne bag systemet vurderer, at det kan vise sig at blive lige så vigtigt for behandling af blodforgiftning, som elektrokardiogrammet har været til at diagnosticere et hjerteanfald.

Forventningerne til prædiktiv analyse er som omtalt store. Anvendelsen kender få grænser og kan, ud over det beskrevne, handle om alt fra forudsigelse af epidemier, før de opstår, personlige behandlingsplaner, vagtplanlægning, og forudsigelse af sygdom baseret på genetik, livsstil og miljømæssige faktorer. 

 

FAKTA om Henning Bundgaards projekt: Prognose på iskæmisk hjertesygdom

For at give læserne et indblik i processen for arbejdet med dataanalyse har Henning Bundgaard beskrevet projektet omkring hjertesygdom i følgende trin:

  1. Indsamling af data fra 40.000 patienter, som har været gennem et hjerteforløb.
  2. Data #1: Sygdomsudvikling, tidshorisont, overlevelse.
  3. Data #2: Op til 600 parametre per patient. Herunder f.eks. køn, alder, højde, vægt, laboratorietal, andre sygdomme, tidligere medicinsk og kirurgisk behandling, resultater fra hjerteundersøgelser, ultralyd, kranspulsåre, genetik etc.
  4. Data fra de 35.000 patienter fødes ind i algoritmen, som finder mønstre og sammenhænge mellem patienternes sygdomsudvikling og de 600 datapunkter.
  5. Data fra de sidste 5.000 patienter (som algoritmen ikke har set) bruges til at validere, om algoritmen virker: Kan vi på baggrund af resultaterne fra de første 35.000 patienter estimere rigtigt på sygdomsudviklingen hos de sidste 5.000?

Henning Bundgaard kalder resultatet super succesfuldt og væsentligt bedre end andre gode systemer med samme formål.

Modellen kommer til at fungere fuldt automatisk i Sundhedsplatformen og bliver fra om kort tid afprøvet i en stor randomiseret undersøgelse på hjerteafdelingerne på Sjælland, der har til formål at dokumentere om brug af algoritmen fører til det forventede: At det går patienterne bedre.

Projektet foregår i et tæt samarbejde med Københavns Universitet, og herunder med professor Søren Brunak, der er kendt som en af pionererne inden for arbejdet med bioinformatik, systembiologi og sundhedsinformatik. Desuden indgår deres fælles ph.d.-studerende Peter Holm.

kunstig intelligens, kunstigintelligens

Del artikler