Lyt til de stille signaler – AI kan vende de nuværende metoder til diagnosticering af osteoporose

Osteoporose, den stille tyv, har været undvigende alt for længe. Denne knogletyv går ofte ubemærket hen, indtil et brud opstår. Men nu er AI klar til at afsløre osteoporoses stille signaler, før de bliver et brudpunkt.

Det er ikke som om vi ikke har midlerne til at teste for osteoporose, for vi har dem, og de kaldes dual-energy røntgenabsorptiometri (DXA). Det er den nuværende guldstandard for måling af knoglemineraldensitet (BMD). Dog har den begrænsninger.

DXA-scanninger kræver specialiseret udstyr og personale, hvilket gør dem utilgængelige og dyre. Som følge heraf forbliver mange i risikogrupper uscreenede, indtil de oplever et brud.

Med AI på scenen vil dette snart ændre sig. Nyere gennembrud viser, at AI-algoritmer, især dybe læringsmodeller, kan præcist forudsige risikoen for osteoporose ved brug af eksisterende sundhedsdata. Dette kan betyde tidligere opdagelse og indgriben, potentielt ingen brud og bedre resultater.

Desuden bekræfter banebrydende forskning fra Tulane University potentialet i kunstig intelligens til osteoporose-detektion. Forskere der udviklede en dyb neuralt netværk (DNN)-model specifikt designet til at forudsige risikoen for osteoporose.

Denne model blev grundigt testet mod traditionelle maskinlæringsalgoritmer og en konventionel regressionsmodel. De anvendte data fra over 8.000 deltagere i Louisiana Osteoporosis Study, hvilket demonstrerer DNN-modellens avancerede evner til præcist at vurdere risikoen for osteoporose.

DNN-modellen klarede sig bedre end konkurrencen i forudsigelse af osteoporoserisiko. Den var god til at identificere højrisikopersoner (sensitivitet) og lavrisikopersoner (specificitet).

Modellen antyder, at AI kan bruges til osteoporose-screening ved brug af eksisterende sundhedsdata og udvide adgangen til screening, især hvor DXA ikke er tilgængelig. Bemærkelsesværdigt identificerede DNN-modellen disse top 10 risikofaktorer for osteoporose:

• Vægt
• Alder
• Køn
• Grebsstyrke
• Højde
• Ølforbrug
• Diastolisk blodtryk
• Alkoholindtag
• Rygevarighed
• Indkomstniveau

Nuværende retningslinjer for osteoporose-screening, derimod, er stærkt afhængige af alder og køn. Selvom de er vigtige, fanger disse faktorer ikke virkelig en persons unikke risikoprofil. AI tilbyder dog en mere personlig tilgang.

Ved at overveje en bred vifte af faktorer, herunder ændrbare livsstilsvalg som rygning og alkoholforbrug, kan AI identificere højrisikopersoner, som kan glide gennem revnerne i de nuværende screeningsprotokoller. Denne målrettede tilgang kan revolutionere forebyggelsesstrategier.

Personer, der identificeres af AI som højrisiko, kan gennemgå DXA-scanninger for at bekræfte diagnosen og derefter begynde knoglestyrkende medicin og livsstilsjusteringer. Derudover kan de modtage hyppigere overvågning for tegn på brud.

På samfundsniveau kan AI-drevet risikostratificering optimere ressourcefordelingen. For eksempel kan DXA og avanceret testning prioriteres for de højrisikopersoner, mens lavrisikopersoner kan undgå unødvendig testning og behandling.

Dog er vejen til udbredt AI-implementering i osteoporose-screening fyldt med udfordringer. Tulane-studiet kræver validering i forskellige befolkninger og i kliniske virkelige omgivelser. Derudover skal etiske og juridiske hindringer, herunder modelretfærdighed, patientprivatliv og ansvar, adresseres. Lad os se på nogle af disse udfordringer:

Databias

AI-modeller kan kun være så upartiske som deres træningsdata. Hvis dataene ikke repræsenterer den generelle befolkning, vil modellens forudsigelser ikke være universelt anvendelige. Vi har brug for stærke sikkerhedsforanstaltninger for at forhindre, at AI forværrer sundhedsuligheder.

Patientprivatliv

Træning af AI-modeller kræver adgang til store sundhedsdatabaser, men disse data skal beskyttes. Patienterne skal have tillid til, at deres følsomme sundhedsoplysninger forbliver private og sikre.

Ansvar

Hvis en AI-model undlader at identificere en højrisikoperson, der senere får et brud, hvem er så ansvarlig? AI-udviklerne? De sundhedsudbydere, der stolede på dens forudsigelser? Derfor skal juridiske og regulatoriske rammer udvikles, efterhånden som AI bliver mere udbredt i medicin, for at give klare retningslinjer.

Men på trods af udfordringerne er AI uden tvivl meget spændende for det medicinske samfund. Hvorfor skulle det ikke være? Når AI kan identificere risikopersoner tidligere, kan den ændre udfaldet for millioner af mennesker verden over.

Statistisk set sker der hvert tredje sekund et osteoporotisk brud globalt. Disse brud, især i hoften, kan udløse en kæde af konsekvenser, herunder:

• Kronisk smerte
• Invaliditet
• Tab af uafhængighed
• Øget dødelighed

På den økonomiske front er påvirkningen også betydelig, da osteoporose-relaterede brud koster milliarder årligt i sundhedsudgifter og tabt produktivitet.

Den eneste måde at stoppe disse problemer på er gennem tidlig opdagelse og behandling. Kun da kan vi forhindre disse brud. Forskning viser, at knoglestyrkende medicin som bisfosfonater kan reducere brudrisikoen betydeligt hos osteoporosepatienter. Disse medicin er dog underudnyttede, delvist fordi osteoporose ofte forbliver udiagnostiseret.

Udover blot diagnose

Personalisering

AI-modeller kan forudsige, hvordan individer vil reagere på behandlinger, hvilket muliggør personlige terapivalg. De kan også overvåge behandlingsadhærens og effektiviteten over tid og advare sundhedsudbydere, når justeringer er nødvendige.

Set fremad kan AI endda integreres i forbruger-sundhedsapparater. Forestil dig et smartwatch, der sporer din aktivitet, kost og andre sundhedsparametre, og giver personlige osteoporoserisikoberegninger og forebyggende råd. Sådan et apparat ville give dig mulighed for proaktivt at styre din knoglesundhed og generelle sundhed. Opnåelsen af dette kræver dog samarbejde mellem AI-forskere, sundhedsudbydere og patienter.

Overkommelig tidlig osteoporose-detektion

Derefter kommer omkostningsaspektet, som fremhæver AI’s evne til at demokratisere tidlig osteoporose-detektion. Selvom DXA-scanninger er effektive, er de hverken praktiske eller overkommelige i befolkningsomfang. Løsningen ligger i en valideret AI-algoritme, der kan implementeres gennem elektroniske patientjournaler. Dette er især gavnligt i underbetjente samfund, hvor osteoporose ofte forbliver udiagnostiseret, hvilket gør tidlig opdagelse mere tilgængelig og overkommelig for alle.

Bedre tilgængelighed & udnyttelse

Desuden kan landdistrikter med begrænset adgang til specialister og DXA anvende AI til at identificere højrisikopatienter til henvisning. Ældre med mobilitetsproblemer kan screenes uden at skulle rejse for en scanning. Derudover kan AI-genererede risikoscores hjælpe med at prioritere DXA-ressourcer for dem, der vil have mest gavn, hvilket sikrer, at de tilgængelige ressourcer bruges effektivt og målrettet.

I stedet for at stole på brede screeningsretningslinjer baseret på alder eller køn, kan AI muliggøre målrettet screening baseret på individuelle risikoprofiler, hvilket optimerer patientresultater og ressourceudnyttelse. Ud over tidlig opdagelse kan AI forbedre osteoporosehåndtering ved at forudsige patientforløb og muliggøre personlige interventioner.

Lad os nu se på virksomheder, der kan drage fordel af fremskridt inden for AI-drevet osteoporose-detektion og -styring.

#1. Hologic, Inc. (HOLX)

Hologic er en førende leverandør af DXA-systemer, der bruges til at måle knogletæthed. Ved at integrere AI i deres DXA-systemer kan Hologic betydeligt forbedre nøjagtigheden og de forudsigende evner i osteoporose-detektion.

Denne forbedring kan gøre deres produkter mere værdifulde og attraktive for sundhedsudbydere, potentielt øge salget af deres DXA-systemer og tilhørende software, og dermed udvide deres markedsandel inden for osteoporose-diagnostik.

Finansielt er virksomheden i en solid position. Den rapporterede en samlet omsætning på cirka 4,03 milliarder dollars for regnskabsåret 2023.

#2. GE Healthcare

Som en stor aktør inden for medicinsk billeddannelse kan GE Healthcare drage fordel af AI-fremskridt ved at forbedre de diagnostiske evner i deres billedsystemer, herunder DXA-scannere.

Forbedret AI-integration kan resultere i mere præcis og tidlig opdagelse af osteoporose, hvilket driver efterspørgslen efter deres avancerede billedteknologier og AI-softwareløsninger. Dette kan føre til højere salg og langsigtede serviceaftaler, hvilket styrker deres position på markedet for medicinsk billeddannelse.

I forhold til omsætning rapporterede GE Healthcare en samlet omsætning på 19,6 milliarder dollars for regnskabsåret 2023.

Afsluttende tanker

Samlet set, selvom disse udviklinger og potentielle fordele lyder utrolige, er de usandsynlige at ske natten over. Løbende forskning, udvikling, validering og håndtering af udfordringer omkring dataprivatliv, sikkerhed, etik og lighed er afgørende. Men hvis vi får det rigtigt, vil belønningerne være enorme. Vi kan omdanne denne stille sygdom til en, der er forebyggelig, behandlingsbar og i sidste ende besejrlig.

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