AI-drevne forudsigelsesmodeller vil bringe sundhedssektoren fremad i store spring

AI’s mål er at gøre maskiner i stand til at efterligne menneskelige tanker og adfærd, herunder læring, ræsonnement og forudsigelse. Kernen i denne bestræbelse er AI-baseret modellering, som fungerer som grundlag for at skabe automatiserede og intelligente systemer.

For at bygge sådanne modeller anvendes en række teknikker, som er afgørende for at skabe smarte systemer, der kan anvendes i forskellige virkelige sektorer, herunder finans, sundhedspleje, landbrug, cybersikkerhed og mere.

Udviklingen af disse modeller benytter ofte forskellige typer af analyser – beskrivende, diagnostisk, forudsigende og foreskrivende – afhængigt af problemets karakter og dets løsningskrav.

I dag fokuserer vi på forudsigende analyser, som undersøger data for at forudsige, hvad der vil ske i fremtiden. Ved at udnytte enorme datamængder fortolker modellen genkendelige mønstre, hvilket muliggør præcise forudsigelser og hjælper med at træffe informerede beslutninger. 

Klik her for at lære alt om investering i kunstig intelligens.

AI’s uovertrufne evne til at genkende tendenser

AI har denne uovertrufne evne til at genkende tendenser inden for et sæt variabler. Dette skyldes, at teknologien i modsætning til mennesker kan behandle enorme datamængder hurtigt, identificere mønstre og tendenser samt forstå, hvad det hele betyder. 

Det er gennem maskinlæringsalgoritmer, at en AI-model udfører sit arbejde, nemlig at forudsige output baseret på de leverede data.

Når man analyserer en tendens, anvendes typisk neurale netværk inspireret af den menneskelige hjernefunktion på grund af deres evne til at lære og tilpasse sig. Andre maskinlæringsalgoritmer, der er vigtige for trendanalyse, er Support Vector Machines (SVM), som kategoriserer data i forskellige klasser, og Random Forests, som samler flere beslutningstræer til kraftfulde forudsigelsesmodeller. Et Bayesian netværk er en anden metode, der bruger probabilistiske grafiske modeller til at repræsentere de statistiske afhængigheder mellem et sæt variabler.

Inden for sundhedspleje gør udnyttelsen af disse maskinlæringsalgoritmer til at bygge AI-drevne forudsigelsesmodeller det muligt at levere bedre og mere skræddersyet individuel pleje og behandlingsplaner.  

Til dette sorterer AI gennem forskelligartede sundhedsdata for at fremvise nye tendenser i sygdomsforløb. Dette gør det muligt for medicinske fagfolk at forudse sundhedsproblemer og tilpasse behandlingsstrategier, hvilket omformer patientplejen.

Potentialet i AI’s evne til at opdage mønstre i sundhedsplejen

Lad os nu se på den faktiske anvendelse af teknologiens evne til at genkende tendenser inden for et sæt variabler.

AI-overvågningsværktøj til at opdage sepsis før symptomer opstår

I en nylig undersøgelse fandt forskerne, at de med succes kan forudsige sepsisinfektion hos højrisikopatienter og redde liv ved at anvende en ny AI-algoritme. 

Sepsis er en væsentlig årsag til dødelighed og sygelighed verden over. Under denne tilstand reagerer kroppens immunsystem ekstremt på en infektion, hvilket forårsager skade på egne væv og organer.

I USA udvikler mindst 1,7 millioner voksne hvert år sepsis, og omkring 350.000 dør af denne livstruende blodinfektion. Samtidig er anslået 48,9 millioner mennesker påvirket hvert år på verdensplan, hvoraf cirka 11 millioner dør.

Imidlertid er forskere fra University of California San Diego School of Medicine klar til at ændre disse tal ved at udnytte AI.

Ifølge den i den online udgave af Digital Medicine offentliggjorte undersøgelse udviklede forskerne en AI-algoritme kaldet COMPOSER. Den bruger data i realtid til på forhånd at afgøre, om patienten har tilstanden, før de kliniske tegn viser sig, ved at arbejde ‘stille og sikkert bag kulisserne.’ 

Modellen overvåger løbende hver patient for tegn på sepsis, bemærkede studiets medforfatter Gabriel Wardi, MD, chef for afdelingen for kritisk pleje i UC San Diego (UCSD) afdelingen for akutmedicin.

Tidlig genkendelse af sepsis er kritisk, da indgreb har større fordele, når de implementeres tidligt i sygdomsforløbet.

Modellen blev brugt på akutafdelingerne på UC San Diego Health, regionens eneste akademiske medicinske system, til at identificere patienter med risiko for sepsisinfektion og har reduceret dødeligheden med 17%. 

Den fungerer sådan, at efter en patient tjekker ind på akutafdelingen, begynder COMPOSER at overvåge over 150 forskellige patientvariabler, der kan være forbundet med sepsis. Disse variabler omfatter demografi, medicinsk historie, vitale tegn og laboratorieresultater. 

Hvis en patient har flere af disse variabler, hvilket resulterer i høj risiko for sepsisinfektion, underretter algoritmen sygeplejepersonalet via hospitalets elektroniske patientjournal. Personalet gennemgår derefter med lægen for bekræftelse og for at fastlægge passende behandlingsplaner for patienten. 

“Disse avancerede AI-algoritmer kan opdage mønstre, som ikke umiddelbart er indlysende for det menneskelige øje.” 

– Shamim Nemati, Ph.D., studiets medforfatter og direktør for forudsigende analyse samt lektor i biomedicinsk informatik ved UC San Diego School of Medicine

Han tilføjede også:

“Systemet kan se på disse risikofaktorer og komme frem til en meget præcis forudsigelse af sepsis.”

Undersøgelsen, som blev finansieret af National Institutes of Health, National Library of Medicine og Joan and Irwin Jacobs Center for Health Innovation ved UC San Diego Health, undersøgte over 6.200 patientindlæggelser før og efter AI-algoritmen blev implementeret på hospitalets akutafdelinger. 

Det er den første undersøgelse, der anvendte en AI-dybindlæringsmodel og rapporterede forbedring i patientresultater. Modellen bruger kunstige neurale netværk til præcist og sikkert at identificere komplekse og flere risikofaktorer hos patienter. Wardi sagde:

“Det er på grund af denne AI-model, at vores teams kan levere livreddende terapi til patienter hurtigere.” 

COMPOSER blev første gang aktiveret for over et år siden, i december 2022. Den anvendes i øjeblikket i mange hospitalsindlæggelsesafdelinger i hele UC San Diego Health, og i fremtiden vil UC San Diego Health East Campus også begynde at bruge den.

For nylig annoncerede Health Care Center sin første chef for sundheds‑AI. Den har også lanceret et pilotprojekt, hvor cloud‑baserede elektroniske patientjournalssystemer Epic og ChatGPT automatisk udarbejder mere medfølende svar på beskeder, så læger og plejepersonale kan fokusere på patientplejen. 

“Integration af AI-teknologi i den elektroniske patientjournal hjælper med at indfri løftet om digital sundhed.” 

– Christopher Longhurst, studiets medforfatter og administrerende direktør for Jacobs Center for Health Innovation samt chief medical officer og chief digital officer ved UC San Diego Health

Software til at analysere genomisk data for at forudsige sygdom med nøjagtighed

Et andet eksempel på AI-drevne forudsigelsesmodeller, der hjælper sundhedssektoren, kan ses i en undersøgelse offentliggjort i sidste uge. Skabt ved Rutgers Health, er den banebrydende software kaldet IntelliGenes, som kombinerer AI og maskinlæring for at hjælpe med at forudsige sygdomme hos individer. Modellen analyserer genomisk data for at finde sundhedsrelaterede biomarkører for at producere personlige patientforudsigelser samt en visuel fremstilling af dem.

Multigenomisk data giver information om en patients iboende genetiske sammensætning og har potentiale til at afdække nye biomarkører baseret på deres sygdomsrisiko. Undersøgelsen bemærkede:

“Vi tror på, at synergistisk brug af flere AI-algoritmer giver mere nøjagtige resultater, trækker indsigtsfulde konklusioner og præcise forudsigelser om virkelige problemer sammenlignet med en enkelt AI-algoritme alene.”

Den fandt desuden, at Support Vector Machine (SVM) og Random Forest (RF) er de mest succesfulde maskinlæringsalgoritmer, der bruges til at lave forudsigelser med høj præcision og løse problemer inden for regression og klassifikation. 

I øjeblikket findes der ingen AI-værktøjer til at undersøge og fortolke det komplette menneskelige genom, især for personer der ikke er eksperter på området. Derfor udviklede forskerne IntelliGenes, som kan bruges af alle, også dem der ikke har stor viden om bioinformatik eller adgang til højtydende computere. 

Ved at kombinere maskinlæringsalgoritmer sigter Rutgers Health-forskerne mod at afdække information, som normalt går ubemærket hen ved klassisk statistik og traditionelle bioinformatikmetoder.

Forskerne anvendte derefter IntelliGenes i en anden undersøgelse for at opdage nye biomarkører og forudsige kardiovaskulære sygdomme (CVD) med høj nøjagtighed.

Den korrekte brug af AI- og ML-metoder kan, ifølge undersøgelsen, give os nye indsigter og forståelser af kardiovaskulære sygdomme. Dette vil igen muliggøre bedre personlige behandlinger. 

Undersøgelsen startede med en grundig forbehandling af genekspressionsdata og brugte derefter tre statistiske tests til at evaluere forskellene i transkriptomisk (studiet af det komplette sæt RNA) udtryk samt forskellene mellem kliniske karakteristika for CVD-patienter og sunde individer. 

I deres forskning afdækkede teamet 18 transkriptomiske biomarkører, som er højt signifikante i CVD-populationen. De blev derefter brugt til at forudsige sygdom med op til 96 % nøjagtighed. Disse resultater blev også krydsvalideret med kliniske journaler indsamlet fra patienterne i kohorten. 

“Der er et enormt potentiale i sammensmeltningen af datasæt og de imponerende fremskridt inden for kunstig intelligens og maskinlæring.” 

– Zeeshan Ahmed, hovedforfatter af undersøgelsen. Ahmed er fakultetsmedlem ved Rutgers Institute for Health, Health Care Policy and Aging Research (IFH) og assisterende professor i medicin ved Robert Wood Johnson Medical School

Ifølge ham understøtter modellen ikke kun personlig tidlig påvisning af både almindelige og sjældne sygdomme hos individer, men åbner også døren for bredere forskning, der i sidste ende vil føre til nye indgreb og behandlinger.

AI er endnu ikke en perfekt løsning!

Som vi har set, har AI-drevne modeller betydelige fordele inden for sundhedssektoren. De har evnen til at opdage sygdomme i god tid med høj nøjagtighed og redde mange liv. Dog er de ikke den ultimative løsning, i hvert fald endnu ikke. Dette kan ses i en undersøgelse offentliggjort tidligere denne måned, som viste, at når AI anvendes i den virkelige verden, opstår der fejl.

Offentliggjort tidligere denne måned i tidsskriftet Modern Pathology, er denne undersøgelse den første, der undersøger, hvordan forurening i væv påvirker AI’s læringsmodeller.

I denne undersøgelse trænede forskerne tre AI-modeller til at analysere mikroskopiske glideskiver af placenta-væv med opgaver som at identificere blodkarskader, estimere gestationsalder og klassificere makroskopiske læsioner. Derudover blev en fjerde model trænet til at opdage prostatakræft i vævsprøver fra nåleb iopsamlinger.

For at teste deres robusthed udsatte forskerne derefter hver model for små portioner af forurenet væv – såsom blod og blærevæv – tilfældigt udtaget fra andre glideskiver. Dette skridt havde til formål at efterligne virkelige forhold, hvor forurening ofte er til stede.

Ved evaluering af AI-modellernes præstationer blev det opdaget, at alle fire modeller flyttede deres fokus til vævsforureningen i stedet for at koncentrere sig om deres primære opgaver. Denne distraktion førte til unøjagtigheder i bestemmelse af gestationsalder, diagnosticering af prostatakræft, identifikation af læsioner og vurdering af blodkarskader. Dette skyldes, at AI’er møder en række materialer i den virkelige verden, som de ikke er trænet på, i modsætning til de rene simulerede miljøer, de er trænet i.

“Vores resultater minder om, at AI, som fungerer utrolig godt i laboratoriet, kan fejle i den virkelige verden. Patienter bør fortsat forvente, at en menneskelig ekspert er den endelige beslutningstager ved diagnoser foretaget på biopsier og andre vævsprøver. Patologer frygter – og AI-virksomheder håber – at computere vil overtage vores job. Ikke endnu.”

– Medforfatter Dr. Jeffery Goldstein

Det gælder ikke kun for AI, men også for patologer, som er grundigt uddannede i at opdage det samme; vævsforurening er et ret almindeligt problem. Undersøgelsen påpeger dog, at læger og forskere uden patologisk baggrund ofte er overraskede over dette. Den bemærkede, at på en given dag, ud af de 80 til 100 glideskiver, som en patolog scanner, forventes 2–3 at indeholde forurening, som de er trænet i at overse.

Ifølge undersøgelsen fungerer AI-modeller på en lignende måde, meget ligesom hvordan mennesker undersøger væv på glideskiver. Når man undersøger væv på glideskiver, kan mennesker kun se et begrænset felt inden for mikroskopet og derefter flytte til et nyt felt og kombinere al den indsamlede information for at stille en diagnose.

Dog blev AI let fundet at blive vildledt af forurening, da den skulle beslutte, hvad den skulle fokusere på og hvad den ikke skulle. “Det er en nulsumssituation,” sagde Goldstein, som er direktør for perinatal patologi og assisterende professor i perinatal patologi og obduktion ved den forskningsintensive Feinberg School of Medicine, Northwestern University, som han forklarede:

“Hvis den fokuserer på vævsforurening, så giver den mindre opmærksomhed til patientens væv, som undersøges.”

Ifølge forfatterne til undersøgelsen bør praktikere arbejde på at kvantificere og forbedre problemet med AI-modellernes manglende evne til at indkode biologiske urenheder.

Resultaterne har dog gjort Goldstein “sikker på, at AI-evalueringer af placenta er mulige,” og kalder AI’s forhindring en “hastighedsbump.” Det betyder simpelthen, “Vi er på vej mod bedre integration af maskinlæring i patologi,” tilføjede han.

Virksomheder, der kan drage fordel af AI-drevne forudsigelsesmodeller

Med AI-modeller, der viser stort potentiale, lad os nu se, hvilke virksomheder der kan drage mest fordel af dem:

1. Google DeepMind

Det er et datterselskab af teknologigiganten Google, der har til formål at løse intelligens for at “fremme videnskab og gavne menneskeheden.” 

Senest har forskere fra Google DeepMind afsløret, at de har udviklet en AI-assistent til læger kaldet Articulate Medical Intelligence Explorer (AMIE), som kan hjælpe med at diagnosticere patienter. Et andet papir fra organisationen foreslog WARM for at tackle belønningsmanipulation i LLM’er.

Med aktiekursen på $152,59, op 8,94 % år‑til‑dato, har Google (GOOGL) på tidspunktet for skrivning en markedsværdi på $1,9 billioner. Virksomheden rapporterede en omsætning (TTM) på $297 milliarder samt et EPS (TTM) på 5,21 og en P/E (TTM) på 29,19.

2. Siemens Healthineers

Den førende sundhedsvirksomhed har satset på AI for at transformere sundhedsindustrien. Siemens Healthineers (SHL.SW ) (SHL.DE ) har udviklet 84 AI‑understøttede produkter pr. november 2023 og har over 800 patenter relateret til teknologien.

Afspundet fra moderselskabet Siemens har leverandøren af sundhedsløsninger en markedsværdi på $63 milliarder, mens aktiekursen er $51,68. Siemens Healthineers har et EPS (TTM) på 1,35 og en P/E (TTM) på 38,28.

Afsluttende tanke

Som vi har set, har AI et enormt potentiale inden for trendanalyse, og efterhånden som teknologien udvikler sig, vil vi se endnu mere præcise og handlingsorienterede indsigter samt innovation på tværs af sektorer. Inden for sundhedspleje syntetiserer AI-drevne forudsigelsesmodeller data, indsigter og indgreb for at personalisere sundhedsplejen og optimere resultater. 

Klik her for at lære om den voksende synergi mellem AI og neurovidenskab.