Skip to main content

{source}
<!-- /52195173/ST_top -->
<div id='div-gpt-ad-1510488486117-0' style='height:180px; width:930px;'>
<script>
googletag.cmd.push(function() { googletag.display('div-gpt-ad-1510488486117-0'); });
</script>
</div>
{/source}

Sundhedspolitisk Tidsskrift

Atopisk Eksem. Foto: NIH, Open-i

Omfanget af hudsygdom i Danmark var ikke kendt. Nu har kunstig intelligens afsløret det

Der har længe været usikkerhed omkring den reelle udbredelse af atopisk eksem i Danmark. Nu har et nyt dansk studie forsøgt at afdække problemet med kunstig intelligens.

Atopisk eksem – også kendt som børneeksem – er en af de største hudsygdomme i Danmark, men det præcise omfang af sygdommen kendes faktisk ikke. Det skyldes, at diagnosen kun er registreret for de patienter, der har sygdommen i så svær grad, at de henvises til en dermatologisk afdeling på et hospital. Men herudover findes der en stor gruppe patienter med mild eller moderat atopisk eksem, der enten behandles hos praktiserende læger eller privatpraktiserende hudlæger. 

For at identificere den reelle udbredelse af atopisk eksem blandt voksne i Danmark har en gruppe forskere fra Herlev og Gentofte Hospital samt Sjællands Universitetshospital lavet et studie, hvor de har prøvet at bruge kunstig intelligens – nærmere bestemt en algoritme baseret på Machine Learning – til at løse problemet. 

Data fra fire registre

Som datagrundlag for studiet har forskerne indhentet omfattende mængder data fra fire nationale registre i perioden 1995-2021: CPR-registret, Landspatientregistret, Lægemiddelstatistikregistret og Sygesikringsregistret.

Ud fra registrene har forskerne identificeret alle voksne, der har fået udskrevet en recept for et dermatologisk lægemiddel og inddelt dem i tre grupper: En gruppe med en hospitalsdiagnose for atopisk eksem, en gruppe med en diagnose for en anden hudsygdom end atopisk eksem samt en stor gruppe, hvis status for atopisk eksem var usikker. Dernæst har de forsøgt, om den såkaldte Random Forest Model – der ofte anvendes inden for Machine Learning – kunne bruges til at udvikle en model til at afgøre, hvilke af patienterne i den usikre gruppe, der med stor sandsynlighed havde atopisk eksem. Modellen bruger mønstre inden for kontakter til sundhedsvæsenet samt medicinforbrug til at estimere patienternes sygdomstatus. 

”I forvejen vidste vi, at næsten 13.000 voksne havde en hospitalsdiagnose for atopisk eksem. Den nye algoritme baseret på Machine Learning vurderede desuden, at lidt over 230.000 ud af 385.000 fra den usikre gruppe havde atopisk eksem,” siger post doc Mie Sylow Liljendahl, der præsenterede resultaterne fra studiet på ISPOR-konferencen i København. Hun har lavet studiet i forbindelse med sin ph.d. på Allergi-, Hud- og Kønssygdomme på Herlev og Gentofte Hospital.

Machine learning afprøvet til psoriasis

Resultaterne svarer til, at den estimerede incidens for atopisk eksem blandt voksne uden for hospitalssektoren er 158 pr. 10.000 pr. år.

”Samlet set har modellen givet os et godt bud på den reelle forekomst af atopisk eksem blandt voksne i Danmark”.

Mie Sylow Liljendahl kender ikke til andre studier, hvor man på nationalt plan har forsøgt at identificere udbredelsen af atopisk eksem blandt voksne i Danmark. Derfor er der også god grund til at gå videre med at forske i området. 

”Nu har vi været i stand til at estimere omfanget af atopisk eksem blandt voksne. Derfra vil vi gerne videre med at kigge på ressourceforbruget omkring sygdommen og geografiske forskelle blandt patienterne,” siger Mie Sylow Liljendahl. 

I sin ph.d. har hun brugt samme metode med machine learning til at afdække udbredelsen af moderat til svær psoriasis i den danske befolkning, som heller ikke kan ses i de nationale registre. På baggrund af det har det været muligt at lave en vurdering af, hvor mange patienter, der er kandidater til biologisk eller systemisk behandling sammenholdt med det antal patienter, der rent faktisk får disse behandlinger. 

”Jeg mener også, at man vil kunne bruge metoden til at identificere lignende sygdomme, der primært bliver diagnosticeret i den primære sektor. I det hele taget forventer jeg, at metoder med machine learning vil blive brugt mere og mere til at afdække omfanget af forskellige sygdomme”.

Del artikler