Professor frustreret: Det tager al for lang tid at få kunstig intelligens implementeret i almen praksis

Der forskes intensivt i kunstig intelligens, der kan gøre livet lettere for praktiserende læger. Folkene bag de innovative projekter skubber utålmodigt på for at få dem hurtigt ud i klinisk praksis, men erkender også, at det er nødvendigt med en vis forsigtighed.

”Det er fantastisk irriterende, at det går så langsomt. Det er håbløst, at det skal tage fire til fem år. Det ligner ikke noget. Det må gå hurtigere. Tingene skal selvfølgelig testes, men så må bureaukratiet klemme ballerne sammen. Det drejer sig jo om at bruge ressourcerne bedst muligt og beskytte sundhedsvæsnets medarbejdere mod potentielt unødvendige opgaver og derved give dem mulighed for at bruge deres kræfter, hvor det giver mest mulig værdi for alle.”

Jens Søndergaard er praktiserende læge, professor og leder af Forskningsenheden for Almen Praksis på Syddansk Universitet i Odense og i Esbjerg. Og så er han utålmodig. Når det kommer til løsninger baseret på kunstig intelligens, som kan hjælpe praktiserende læger til mere effektiv behandling, går det nemlig godt i Danmark, men, ifølge Jens Søndergaard, er der altså også nogle alvorlige barrierer, som bremser udrulningen.

Fra idé til virkelighed

Vi vender tilbage til både barriererne og fremtidsperspektiverne for udrulningen af de igangværende projekter, men først skal vi se på indholdet i nogle af dem. Hvad er det konkret, praktiserende læger kan forvente at få hjælp til? Vi begynder på Aalborg Universitet, hvor Janus Laust Thomsen ud over at være professor og praktiserende læge også leder et forskningsprojekt om kunstig intelligens i almen praksis. Han og Jens Søndergaard spiller altså på samme hold, selvom de arbejder i hver sin ende af landet.

”Hvis vi begynder med baggrunden for AAU’s projekt om kunstig intelligens i almen praksis, er den, at det nødigt skulle være teknikere og forskere bag skriveborde, der gætter på, hvad lægerne ønsker sig. Derfor har vi haft interviews og fokusgrupper med lægerne, så vi kan bygge noget af det, lægerne selv siger, at de har brug for hjælp til,” siger Janus Laust Thomsen.

Forarbejdet mundede ud i masser af gode ideer, hvoraf flere nu er på vej til at blive virkelighed. Et vigtigt kriterium for valget har været at finde den rette balance mellem størrelsen på det problem, teknologien skal løse, og realismen i at komme i mål inden for en overskuelig fremtid. Første projekt – og det projektlederen vurderer er tættest på at blive rullet ud – kan lyde tæt på banalt, men ikke desto har det et enormt potentiale i forhold til at spare tid.

Elektronisk post

”I dag bliver der vist et flag, hvis der kommer en blodprøve tilbage fra laboratoriet, som er uden for det normale. Det kan være en hjælp, men hvis patienten for eksempel har sukkersyge, så er blodprøverne altid uden for det normale, og så bliver en prøve, der måske ligefrem ser pænere ud end sidst, og som ikke kræver opmærksomhed, alligevel markeret som noget, vi skal se nærmere på. På den anden side kan der være en patient, der falder i nyrefunktion eller blodprocent, men gør det inden for normalområdet, og så bliver der ikke vist et flag,” siger Janus Laust Thomsen og forklarer, at den type af tidsrøvere opstår, fordi det i dag ikke er et intelligent system, der sætter flagene.

”Den langsigtede vision for denne del af projektet handler ikke kun om blodprøve­svar, men om hele den enorme mængde elektronisk post, der kommer ind og skal behandles hver eneste dag. Vi vil gerne lave et system, der kan fortælle os, hvilken post vi kan lægge væk, fordi den bliver besvaret i anden sammenhæng, hvad der skal reageres på her og nu, og hvad der for eksempel skal løses, inden vi går hjem,” siger Janus Laust Thomsen.

Projektet forventes at blive udrullet trinvist. Blodprøver er første case, men der er mange andre typer af elektronisk post, projektgruppen på sigt regner med at kunne sortere. Janus Laust Thomsen erkender, at der findes andre typer af AI, der kan lyde mere eksotisk, men det har været vigtigt for projektgruppen at være konkrete og at lave noget, der taler ind i den praktiserende læges hverdag.

”Inden for den medicinske verden bliver der talt rigtig meget om AI til diagnostik. Selvom det måske faktisk ikke er der, vi har det største behov nu, er det der, der bliver lavet mest forskning. Så der er en afvigelse i, hvor jeg ser AI som den største gevinst for lægerne, og hvor forskningen ligger,” siger Janus Laust Thomsen.

Læsning af journaler

En anden tidkrævende opgave i almen praksis er at skulle danne overblik over en hel journal, hver gang en ny patient kommer ind. Også på dette område er der nu hjælp på vej fra kunstig intelligens.

”Hele journalen skal jo læses igennem, og vi skal se på, hvilke diagnoser patienten har, og hvor vi skal være særligt opmærksomme. Har der for eksempel været tyktarmskræft for syv år siden? Hvis kontrollerne fra sygehuset er afsluttet, kan den viden ligge langt nede i journalen og måske også langt nede i patientens opmærksomhed, men det havde været rart at vide, hvis der kom nye symptomer fra tarmsystemet. Så hvordan får man det overblik? Det bedste er måske, at lægen læser det hele igennem og skriver et resume, men det er en tung opgave. Her har kunstig intelligens en oplagt fordel og kan blive en stor hjælp i forhold til at finde det vigtigste frem,” siger Janus Laust Thomsen.

Han nævner desuden diagnosekortet, som giver et hurtigt prioriteret og fokuseret blik på patientens diagnoser, som et område, hvor samme type af sprogbaseret kunstig intelligens kan hjælpe. Det er en tung opgave at opføre de relevante sygdomme på diagnosekortet, men AI har en styrke i at kunne komme med forslag, som lægen så kan tage stilling til. Under opsyn, understreger han:

”Vi skal også holde det i det perspektiv, at vi allerede nu får beslutningsstøtte. Så det er vi vant til i hverdagen, og formålet med at bruge kunstig intelligens er ikke, at teknologien skal overtage beslutninger, men at den skal give nogle mere effektive typer af beslutningsstøtte.”

Prioritering af arbejdsopgaver

Et tredje ønske fra de læger, der er blevet interviewet i opstartsfasen, er hjælp til at prioritere arbejdsopgaver.

”Ønsket fra brugerne var støtte til, hvordan vi kommer til at se de rigtige patienter først. Kan algoritmer være bedre til at se, at mandag morgen er der altid tryk på i forhold til nogle bestemte kontakter? Kan vi blive bedre til, hvordan vi organiserer vores aftale­kalender? Så projektet går ud på at udvikle hjælp til styring af kontakter,” siger Janus Laust Thomsen.

Konkret går man til projektet ved at se på historikken og vurdere, hvordan det ser ud for hver enkelt læges kontakter.

”For de fleste vil det ikke være en over­raskelse, at der er mere travlt mandag end onsdag. Men vi kan blive endnu klogere på at organisere det. Vi ligger meget forskelligt i landet, og klientellet er forskelligt. Der er forskel på at have en praksis i Aalborg Midtby og i Vestjylland. Så forslag til at styre kalenderen vil kunne være en god ting,” siger Janus Laust Thomsen.

Han forklarer, at det handler om, at algoritmer finder mønstre, vi sjældent selv kan gennemskue. Algoritmen trænes på meget store datasæt, og derfor kan den tage højde for små, men vigtige forskelle, der opstår, når man flytter den fra et geografisk område til et andet.

”Målet er, at den skal tage højde for, hvordan din praksis-population er sammensat,” siger Janus Laust Thomsen, som dog erkender, at området er komplekst, og at de andre ting, de arbejder på, er tættere på en lancering.

Diagnosticering og behandling

Det sidste område for Aalborg Universitets forskningsprojekt er mere konkret lægefagligt og handler om at bruge AI til at understøtte diagnosticering og behandling. Det område, hvor projektet er nået længst, handler om beslutningsstøtte i forbindelse med behandling af atrieflimren.

”Det er almindeligt at behandle det med stoffet Marevan, som løbende skal justeres ind efter blodprøver. I dag sker det ud fra en overordnet viden ud fra tabelopslag. Hvad er din aktuelle blodprøve, og hvad har du taget af medicin de sidste uger? Ud fra det giver vi forslag til de næste uger. Her er der allerede nu en algoritme i brug, som kombinerer patientens individuelle billede med den viden, der ligger i tabelopslag. Derpå laver den et forslag, der er justeret ud fra, hvad vi ved om den enkelte patients behandling,” siger Janus Laust Thomsen.

Udviklingen sker i samarbejde med tromboseenheden på Aalborg Universitetshospital og kræver endnu justering, før den rulles ud i almen praksis.

Flere ting på vej

I tillæg til de fire områder fra Aalborg Universitet beskriver Jens Søndergaard en række af de projekter, hvor de er nået langt i Region Syddanmark.

”Vi har gang i mange ting, og en fællesnævner er, at vi gerne vil blive bedre til at behandle præcist. I dag skal vi behandle rigtig mange patienter med højt blodtryk for at undgå komplikationer hos én patient. Det samme gælder for osteoporose, hvor vi er nødt til at behandle mange for at undgå brud hos den ene patient, der er særligt udsat for det. Og tilsvarende for patienter, som har fået diagnosticeret prostatakræft,” siger Jens Søndergaard.

I praksis foregår det groft sagt sådan, at hvis der kan identificeres tusind datapunkter i en blodprøve, kan kunstig intelligens hjælpe med at finde fællestrækkene hos lige præcis de patienter, der kræver forebyggende medicin for at undgå en blodprop. På den måde undgår lægen at medicinere alle dem, der kan klare sig uden.

”Kunstig intelligens har et kæmpe potentiale i forhold til at undgå både over- og underbehandling. I dag er vores redskaber til at prædiktere ofte ikke gode nok, og vi vil gerne kunne nedsætte antallet, men stadig have nytteværdien, så vi udsætter langt færre for behandlingstrykket,” siger Jens Søndergaard og tilføjer, at jo mere, der kan flyttes ud i praksis, jo bedre.

Han nævner desuden flere projekter, som har nær relation til dem, der forskes i på AAU, for eksempel i forhold til at bruge sprogteknologi til at finde de relevante ting frem fra nogle ofte ganske omfattende journalnotater.

Optimisme trods barrierer

Jens Søndergaards frustrationer over, at en række formelle ting omkring implementeringen går for langsomt, er klar. Janus Laust Thomsen udtrykker sig mere diplomatisk, men er så langt fra fremmed over for problematikken.

”Vi har været i gang i tre år, og der går i hvert fald den dobbelte tid. Jeg vil forvente, at der går fire til fem år, før vi har algoritmer ude at køre i almen praksis, så det kræver tålmodighed,” siger han og peger på en række barrierer, der skal overkommes først.

”Algoritmerne skal være sikre, så man kan stole på det, de hjælper med, og der er både datamæssige, tekniske og finansieringsmæssige barrierer. For at få tingene ud i praksis skal der udvikles på IT-infrastrukturen, men vi mangler også midler. Det er rigtig godt, at digitaliseringsstyrelsen har afsat udviklingsmidler, men vi mangler midler hos dem, der skal drive det. Det er dyrt, og vi kan ikke forvente, at den enkelte praktiserende læge har den form for investerings­vilje,” siger han.

Trods barriererne er begge læger optimistiske, både hvad angår AI i sundhedssektoren generelt og i forhold til deres egne projekter rettet mod almen praksis.

”Normalt kan det tage 15 år for noget nyt at komme ud, og dette her kommer til at gå langt hurtigere. Vi kommer til at lægge noget ud i løbet af et år eller to. Og selvom jeg udtrykker mig kritisk over for de administrative forviklinger, er jeg optimistisk. For det er jo netop administrative forviklinger, hvilket burde være det nemmeste. Det ville være værre, hvis det var videnskaben, der var noget i vejen med. Det andet må politikerne løse, og hvorfor skulle de dog ikke det,” siger Jens Søndergaard.

Kunstig intelligens i almen praksis

Det forventes, at AI-løsninger kan bidrage med mere effektiv sortering af data, prioritering af arbejdsopgaver samt understøttelse af diagnosticering og behandling i almen praksis

Hovedformålet med projektet ”Kunstig intelligens (AI) i almen praksis” på Aalborg Universitet er derfor at undersøge modeller for, hvordan AI potentielt kan mindske arbejdsbyrden og øge behandlingskvaliteten i almen praksis ved en mere avanceret og effektiv dataudnyttelse