Sundhedssektoren står over for hurtig forandring, da AI bringer nye muligheder

Kunstig intelligens skaber nye muligheder i mange brancher, herunder sundhedssektoren. Systemerne kan understøtte forebyggelse, diagnosticering og vurdering af behandling. Gevinster for patienterne afhænger af klinisk validering, fagligt tilsyn og en hensigtsmæssig anvendelse.

Kunstig intelligens

AI kan hjælpe sundhedspersonale med at arbejde mere effektivt, men sænker ikke automatisk omkostningerne eller sikrer lige adgang til behandling. Infrastruktur, finansiering og organisering spiller også en rolle.

AI omfatter forskellige metoder til at lære mønstre fra data. Dybe neurale netværk lærer ikke præcis som en menneskehjerne og kan begå fejl. Deres pålidelighed skal undersøges for de patienter og situationer, de skal bruges til.

AI forbedrer diagnoser

Inden for diagnosticering kan AI sammenholde patientdata og medicinske billeder med mønstre fra træningsdata. Nogle systemer kan understøtte løbende overvågning, men funktionerne varierer. Klinisk anvendelse kræver vurdering af datakvalitet og af, hvordan systemet klarer sig uden for træningsmaterialet.

AI til diagnosticering af øjensygdomme

Et eksempel er en metaanalyse omtalt i eClinicalMedicine. Undersøgelsen¹, som et internationalt hold med deltagelse af dr. Darren Ting fra University of Birmingham stod bag, gennemgik forskning i dyb læring til identifikation af infektiøs keratitis. Holdet udviklede ikke én ny algoritme i denne undersøgelse.

Infektiøs keratitis er betændelse i hornhinden forårsaget af mikroorganismer. Den kan føre til synstab og blindhed og er blandt de vigtigste årsager til hornhindeblindhed. Hurtig diagnosticering og behandling er derfor vigtig.

Kilde – Webeye Cornea Scan

Forskerne gennemgik 35 studier, som tilsammen omfattede mere end 136.000 billeder af hornhinder. Det tal beskriver materialet i de samlede studier, ikke træningsdata til én ny algoritme udviklet af Tings hold.

I den samlede analyse havde AI-modellerne en sensitivitet på 89,2%, mens øjenlægernes var 82,2%. Sensitivitet beskriver andelen af faktisk positive tilfælde, der genkendes, og er ikke det samme som samlet nøjagtighed. Resultaterne betyder ikke, at enhver model altid er bedre eller hurtigere end enhver øjenlæge.

Resultaterne peger på AI som et muligt hjælpeværktøj, også i områder med begrænset adgang til øjenlæger. Mere varierede data og ekstern validering er nødvendige, før resultaterne kan overføres til bred klinisk anvendelse.

Diagnosticering af lungekræft

Lungekræft er en væsentlig årsag til kræftdødsfald. IARC anslog omkring 1,8 millioner dødsfald i 2022 i de globale tal, der blev offentliggjort i 2024. Et studie fra det medicinske fakultet ved Universität zu Köln og universitetshospitalet med titlen “Næste generations lungekræftpatologi: udvikling og validering af diagnostiske og prognostiske algoritmer” undersøger AI til analyse af digitaliserede vævssnit. Det er altså ikke en undersøgelse, hvor en bærbar scanner diagnosticerer patienter uden prøvetagning.

Systemerne analyserer egenskaber i vævet for at understøtte diagnostiske og prognostiske opgaver. Resultater for en bestemt opgave bør ikke beskrives som en universel nøjagtighed på 89% for al diagnosticering af lungekræft.

Opdagelse af medicineringsfejl

Medicineringsfejl kan opstå ved blandt andet valg, klargøring eller administration af et lægemiddel. Fejl i forbindelse med bedøvelse kan have alvorlige følger, men er ikke dermed de hyppigste af alle medicineringsfejl.

Sundhedspersonale kan skulle give medicin under tidspres og vanskelige forhold. Dårligt lys og urolige omgivelser kan gøre identifikation og kontrol vanskeligere. Tekniske hjælpemidler skal derfor afprøves under relevante betingelser.

Forskere ved University of Washington undersøgte et AI-baseret system med et kamera, der kan bæres af sundhedspersonalet. Formålet var at opdage fejl, hvor medicin fra et forkert hætteglas trækkes op i en sprøjte.

AI som støtte ved medicinkontrol

Systemet analyserer visuelle oplysninger som hætteglassets og sprøjtens størrelse og form, hættens farve og etikettens udseende. Det er udviklet til at fokusere på den relevante sprøjte og det anvendte hætteglas frem for medicin i baggrunden.

Forskerne brugte videooptagelser i 4K fra 418 medicinoptræk udført af 13 anæstesimedarbejdere. Materialet omfattede forskellige omgivelser og lysforhold. I undersøgelsen opnåede systemet 99,6% sensitivitet og 98,8% specificitet for den undersøgte type hætteglasforveksling.

Tallene gælder denne afgrænsede opgave, ikke alle medicineringsfejl. Systemet kan være et supplement til menneskelig kontrol, men undersøgelsen dokumenterer ikke fuldautomatisk eller fejlfri medicinadministration. Klinisk effekt skal vurderes særskilt.

Vurdering af behandlingens virkning

AI kan hjælpe forskere og sundhedspersonale med at analysere, hvordan patienter reagerer på behandling. Modeller kan inddrage mange oplysninger, men deres anbefalinger skal vurderes i den kliniske sammenhæng.

Efter behandlingsstart kan digitale systemer understøtte registrering og analyse af resultater. Simuleringer kan også bruges i forskningen, men erstatter ikke den nødvendige kliniske afprøvning af sikkerhed og effekt.

AI i kropsbårne enheder

Kropsbårne enheder spænder fra ure, der registrerer aktivitet og søvn, til specialiserede biosensorer. Udviklingen kan gøre dem mindre og mere behagelige, men funktioner, pris og klinisk dokumentation varierer.

AI kan give nogle enheder mulighed for at behandle flere data lokalt. Andre funktioner bruger en netværksforbindelse eller ekstern databehandling. Det er ikke sådan, at alle eksisterende enheder kræver internetadgang for at fungere.

Kilde – Scnsoft

Lokal databehandling kan understøtte løbende målinger og mindske behovet for at sende data videre. Målingernes kliniske nøjagtighed skal stadig dokumenteres. Sprogmodeller kan i visse produkter forbedre betjening med tekst eller tale, men er ikke i sig selv årsagen til, at elektronik kan gøres strækbar.

Strækbar elektronik til sundhedsmålinger

Et studie i Nature Electronics med titlen “A wearable in-sensor computing platform based on stretchable organic electrochemical transistors” beskriver en forskningsplatform, der kombinerer registrering af signaler, databehandling i sensoren og strækbarhed.

Platformen blev brugt til at måle elektrofysiologiske signaler. Det er et skridt i udviklingen af fleksibel elektronik, men dokumenterer ikke i sig selv et godkendt klinisk produkt, lavere masseproduktionsomkostninger eller bedre behandling af patienter.

Nye behandlingsmetoder

AI kan også indgå i forskning i nanopartikler og mikro- eller nanorobotter til lægemiddellevering. Nanopartikler er ikke automatisk robotter, og ikke alle kan bevæge sig af sig selv.

Modeller kan hjælpe med design, styring eller afprøvning af visse systemer. Det betyder ikke, at sådanne enheder kan nå alle dele af et organ eller nødvendigvis forbedrer behandlingen. Mange anvendelser er fortsat prækliniske.

Virksomheder med mulighed for at anvende AI i sundhed

Virksomheder inden for medicinsk udstyr og sundhedsydelser kan anvende AI til analyse, produktudvikling og støtte ved behandling. Teknisk potentiale er ikke det samme som dokumenteret klinisk nytte eller højere omsætning.

Medtronic

Medtronic er en virksomhed inden for medicinsk udstyr, grundlagt i 1949, med aktiviteter i blandt andet Minnesota og Irland. Virksomheden havde i artiklens historiske sammenhæng over 90.000 ansatte. I 1957 udviklede den en batteridrevet ekstern pacemaker, som kunne bæres af patienten; det var ikke det samme som at opfinde alle typer pacemakere i 1960’erne.

MDT Prisdiagram

Medtronic anvender AI i flere produkter. GI Genius Intelligent Endoscopy Module hjælper eksempelvis læger med at opdage kolorektale polypper under en koloskopi. Det er et hjælpeværktøj og giver ikke selv en vævsdiagnose.

Mazor X er en platform til robotassisteret rygkirurgi, mens StealthStation er et kirurgisk navigationssystem. De to produkter er derfor ikke samme type robot. Eventuelle forbedringer i restitution eller færre fejl afhænger af indgrebet, patienterne og den kliniske dokumentation.

Medtronics produktportefølje omfatter blandt andet pacemakere, defibrillatorer, hjerteklapper og stents. Virksomhedens størrelse og anvendelse af AI garanterer ikke vækst og gør ikke automatisk aktien egnet til enhver investor.

Fremtiden for AI i sundhedsvæsenet

AI kan i fremtiden kombineres med nye fremstillingsmetoder og teknologier til lægemiddellevering. Forestillingen om at udskrive nanorobotter gennem huden med en holografisk printer er dog spekulativ og ikke en klinisk behandling dokumenteret af de omtalte studier.

AI kan også støtte behandling i områder med begrænset adgang til sundhedspersonale. Resultatet afhænger af infrastruktur, uddannelse, repræsentative data og fagligt tilsyn. Teknologien sikrer ikke automatisk lige adgang til sundhedsydelser.

AI i sundhed kræver dokumenteret nytte

AI kan hjælpe med at finde mønstre, som er nyttige for forskere og sundhedspersonale. Flere AI-systemer er imidlertid ikke altid ensbetydende med bedre behandling. Validering, databeskyttelse og løbende kontrol af systemernes præstation er afgørende.

Læs om andre AI-projekter her.

Referencer til studier:

^{1. University of Birmingham. (2024, 21. oktober). Studie finder AI på niveau med øjenlæger ved identifikation af hornhindeinfektioner. https://www.birmingham.ac.uk/news/2024/ai-eye-to-eye-with-ophthalmologists-in-diagnosing-corneal-infections-study-finds}