AI-drevne prediksjonsmodeller er klare til å revolusjonere helsesektoren

Målet med AI er å gjøre maskiner i stand til å etterligne menneskelige tanker og atferd, inkludert læring, resonnering og prediksjon. Kjernen i dette arbeidet er AI-basert modellering, som fungerer som grunnlaget for å skape automatiserte og intelligente systemer.

For å bygge slike modeller brukes en rekke teknikker, som er avgjørende for å lage smarte systemer som kan anvendes i ulike virkelige sektorer, inkludert finans, helsevesen, landbruk, cybersikkerhet og mer.

Utviklingen av disse modellene benytter ofte ulike typer analyser – beskrivende, diagnostisk, prediktiv og foreskrivende – avhengig av problemets natur og løsningskrav.

I dag fokuserer vi på prediktiv analyse, som utforsker data for å forutsi hva som vil skje i fremtiden. Ved å bruke enorme mengder data tolker modellen gjenkjennelige mønstre, noe som muliggjør nøyaktige prediksjoner og hjelper til med å ta informerte beslutninger. 

Klikk her for å lære alt om investering i kunstig intelligens.

AI’s enestående evne til å gjenkjenne trender

AI har denne enestående evnen til å gjenkjenne trender innen et sett av variabler. Dette skyldes at, i motsetning til mennesker, kan teknologien raskt behandle store mengder data, deretter identifisere mønstre og trender og forstå hva alt dette betyr. 

Det er gjennom maskinlæringsalgoritmer at en AI-modell utfører sin oppgave, som er å forutsi resultatet basert på de oppgitte dataene.

Når man analyserer en trend, brukes vanligvis nevrale nettverk inspirert av menneskelig hjernefunksjon på grunn av deres evne til å lære og tilpasse seg. Andre maskinlæringsalgoritmer som er viktige for trendanalyse er Support Vector Machines (SVM), som kategoriserer data i ulike klasser, og Random Forests, som samler flere beslutningstrær for kraftige prediktive modeller. Bayesian-nettverk er et annet som bruker probabilistiske grafiske modeller for å representere de statistiske avhengighetene mellom et sett av variabler.

Innen helsevesenet gjør utnyttelse av disse maskinlæringsalgoritmene for å bygge AI-drevne prediksjonsmodeller det mulig å tilby bedre og mer skreddersydd individuell omsorg og behandlingsplaner.  

For dette filtrerer AI gjennom ulike helsedata for å fremvise fremvoksende trender i sykdomsutvikling. Dette gjør det mulig for medisinske fagfolk å proaktivt håndtere helseproblemer og tilpasse behandlingsstrategier, og omformer pasientomsorgen.

Potentialet i AI’s evne til å oppdage mønstre i helsevesenet

La oss nå se på den faktiske bruken av teknologiens evne til å gjenkjenne trender innen et sett av variabler.

AI-overvåkingsverktøy for å oppdage sepsis før symptomer oppstår

I en nylig studie, fant forskerne at de kan forutsi sepsisinfeksjon hos høyrisikopasienter og redde liv ved å bruke en ny AI-algoritme. 

Sepsis er en hovedårsak til dødelighet og sykelighet over hele verden. Under denne tilstanden reagerer kroppens immunsystem ekstremt på en infeksjon, noe som forårsaker skade på egne vev og organer.

I USA utvikler minst 1,7 millioner voksne hver år sepsis, og omtrent 350 000 dør av denne livstruende blodinfeksjonen. Samtidig er anslagsvis 48,9 millioner mennesker berørt hvert år globalt, hvorav omtrent 11 millioner dør.

Imidlertid er forskere fra University of California San Diego School of Medicine klare til å endre disse tallene ved å utnytte AI.

Ifølge studien publisert i den digitale utgaven av Digital Medicine, utviklet forskerne en AI-algoritme kalt COMPOSER. Den bruker data i sanntid for å fortelle på forhånd om pasienten har tilstanden før de kliniske tegnene manifesteres ved å jobbe «stille og trygt i bakgrunnen».

Modellen overvåker kontinuerlig hver pasient for tegn på sepsis, bemerket studiekontrahenten Gabriel Wardi, MD, leder for avdelingen for kritisk pleie ved UC San Diego (UCSD) avdeling for akuttmedisin.

Tidlig gjenkjenning av sepsis er kritisk da intervensjoner har større nytte når de implementeres tidligere i sykdomsforløpet.

Modellen ble brukt på akuttavdelingene ved UC San Diego Health, regionens eneste akademiske medisinske system, for å identifisere pasienter med risiko for sepsisinfeksjon og har redusert dødeligheten med 17 %.

Måten den fungerer på er at etter at en pasient sjekker inn på akuttavdelingen, begynner COMPOSER å overvåke over 150 ulike pasientvariabler som kan være knyttet til sepsis. Disse variablene inkluderer demografi, medisinsk historie, vitale tegn og laboratorieresultater.

Hvis en pasient viser flere av disse variablene, noe som resulterer i høy risiko for sepsisinfeksjon, varsler algoritmen sykepleiepersonalet via sykehusets elektroniske pasientjournal. Personalet gjennomgår deretter med legen for bekreftelse og for å bestemme passende behandlingsplaner for pasienten.

“Disse avanserte AI-algoritmene kan oppdage mønstre som ikke er umiddelbart åpenbare for det menneskelige øyet.” 

– Shamim Nemati, Ph.D., medstudieforfatter og direktør for prediktiv analyse samt førsteamanuensis i biomedisinsk informatikk ved UC San Diego School of Medicine

Han la også til:

“Systemet kan se på disse risikofaktorene og komme frem til en svært nøyaktig prediksjon av sepsis.”

Studien, som ble finansiert av National Institutes of Health, National Library of Medicine og Joan and Irwin Jacobs Center for Health Innovation ved UC San Diego Health, undersøkte over 6 200 pasientinnleggelser før og etter at AI-algoritmen ble implementert i sykehusets akuttavdelinger.

Det er den første studien som benyttet en AI-dyp læringsmodell og rapporterte forbedring i pasientutfall. Modellen bruker kunstige nevrale nettverk for å identifisere komplekse og flere risikofaktorer hos pasienter nøyaktig og trygt. Wardi sa:

“Det er på grunn av denne AI-modellen at våre team kan gi livreddende terapi til pasienter raskere.” 

COMPOSER ble først aktivert for over et år siden, i desember 2022. Den brukes nå i mange sykehusinnleggsavdelinger ved UC San Diego Health, og i fremtiden vil også UC San Diego Health East Campus begynne å bruke den.

Nylig kunngjorde Health Care Center sin første sjef for helse‑AI. Den har også lansert et pilotprosjekt hvor skybaserte elektroniske pasientjournalssystemer Epic og ChatGPT automatisk utarbeider mer medfølende meldingssvar slik at leger og omsorgspersonell kan fokusere på pasientbehandling. 

“Integrering av AI‑teknologi i den elektroniske pasientjournalen hjelper med å oppfylle løftet om digital helse.” 

– Christopher Longhurst, medstudieforfatter og administrerende direktør for Jacobs Center for Health Innovation samt sjef for medisinsk avdeling og sjef for digital avdeling ved UC San Diego Health

Programvare for å analysere genomisk data for å forutsi sykdom med nøyaktighet

Et annet eksempel på AI-drevne prediksjonsmodeller som hjelper helsesektoren kan sees i en studie publisert forrige uke. Skapt ved Rutgers Health, er den første av sitt slag programvaren kalt IntelliGenes som kombinerer AI og maskinlæring for å hjelpe med å forutsi sykdommer hos individer. Modellen undersøker genomisk data for å finne helserelaterte biomarkører for å produsere personlige pasientprediksjoner samt en visuell fremstilling av dem.

Multi-genomisk data informerer om den iboende genetiske sammensetningen til en pasient og har potensial til å avdekke nye biomarkører basert på deres sykdomsrisiko. Studien bemerket:

“Vi tror at synergistisk bruk av flere AI-algoritmer gir mer nøyaktige resultater, trekker innsiktsfulle konklusjoner og presise prediksjoner om virkelige problemer sammenlignet med en enkelt AI-algoritme alene.”

Den fant videre at Support Vector Machine (SVM) og Random Forest (RF) er de mest vellykkede maskinlæringsalgoritmene som brukes for å lage prediksjoner med høy presisjon og løse problemer med regresjon og klassifisering.

For øyeblikket finnes det ingen AI-verktøy som kan undersøke og tolke hele det menneskelige genomet, spesielt for individer som ikke er eksperter på feltet. Derfor utviklet forskerne IntelliGenes, som kan brukes av alle, inkludert de som ikke har mye kunnskap om bioinformatikkteknikker eller tilgang til høyytelsesdatamaskiner.

Ved å kombinere maskinlæringsalgoritmer, har forskere ved Rutgers Health som mål å avdekke informasjon som vanligvis går ubemerket hen av klassisk statistikk og tradisjonelle bioinformatikkteknikker.

Forskerne anvendte deretter IntelliGenes i en annen studie for å oppdage nye biomarkører og forutsi kardiovaskulære sykdommer (CVD) med høy nøyaktighet.

Riktig bruk av AI- og ML-metodologier, ifølge studien, kan gi oss nye innsikter og forståelser av kardiovaskulære sykdommer. Dette vil igjen muliggjøre bedre personlig tilpassede behandlinger.

Studien startet med en grundig forhåndsbehandling av genuttrykksdata og brukte deretter tre statistiske tester for å evaluere forskjellene i transkriptomisk (studiet av hele settet av RNA) uttrykk og forskjellen mellom kliniske egenskaper hos CVD-pasienter og friske individer.

I sin forskning avdekket teamet 18 transkriptomiske biomarkører som er svært signifikante i CVD-populasjonen. De ble deretter brukt til å forutsi sykdom med opptil 96 % nøyaktighet. Disse resultatene ble også kryssvalidert med kliniske journaler samlet fra pasienter i kohorten.

“Det er enormt potensial i sammenslåingen av datasett og de svimlende utviklingene innen kunstig intelligens og maskinlæring.”

– Zeeshan Ahmed, hovedforfatter av studien. Ahmed er fakultetsmedlem ved Rutgers Institute for Health, Health Care Policy and Aging Research (IFH) og førsteamanuensis i medisin ved Robert Wood Johnson Medical School

Ifølge ham støtter modellen ikke bare personlig tidlig påvisning av både vanlige og sjeldne sykdommer hos individer, men åpner også døren for bredere forskning som til slutt vil føre til nye intervensjoner og behandlinger.

AI er ennå ikke en perfekt løsning!

Som vi har sett, har AI-drevne modeller betydelige fordeler innen helsevesenet. De har evnen til å oppdage sykdommer langt i forveien med høy nøyaktighet og redde mange liv. Imidlertid er de ikke den ultimate løsningen, ennå, i hvert fall. Dette kan sees i en studie publisert tidligere denne måneden som viste at når AI brukes i den virkelige verden, oppstår feil. 

Publisert tidligere denne måneden i tidsskriftet Modern Pathology, er denne studien den første som undersøker hvordan forurensning i vev påvirker AI‑læringsmodeller.

I denne studien trente forskerne tre AI-modeller til å analysere mikroskopiske bilder av morkakevev, med oppgaver som å identifisere blodkarskader, estimere svangerskapsalder og klassifisere makroskopiske lesjoner. I tillegg ble en fjerde modell trent til å oppdage prostatakreft i vevsprøver fra nålebiopsier.

For å teste robustheten, eksponerte forskerne deretter hver modell for små mengder forurensningsvev – som blod og blærevæv – tilfeldig tatt fra andre bilder. Dette trinnet hadde som mål å etterligne virkelige forhold hvor forurensninger ofte er tilstede.

Ved evaluering av AI-modellenes ytelse ble det oppdaget at alle fire modellene avledet oppmerksomheten til vevforurensning i stedet for å fokusere på sine primære oppgaver. Denne distraksjonen resulterte i unøyaktigheter i bestemmelse av svangerskapsalder, diagnostisering av prostatakreft, identifisering av lesjoner og vurdering av blodkarskader. Dette skyldes at AI møter en rekke materialer i den virkelige verden som de ikke er trent på, i motsetning til de rene simulerte miljøene de er trent i.

“Våre funn tjener som en påminnelse om at AI som fungerer utrolig bra i laboratoriet kan falle på ansiktet i den virkelige verden. Pasienter bør fortsatt forvente at en menneskelig ekspert er den endelige avgjørende i diagnoser gjort på biopsier og andre vevsprøver. Patologer frykter – og AI‑selskaper håper – at datamaskinene kommer for jobbene våre. Ikke ennå.”

– Medforfatter Dr. Jeffery Goldstein

Ikke bare for AI, men også for patologer som er grundig trent til å oppdage det samme, er vevforurensning et ganske vanlig problem. Imidlertid påpeker studien at leger og forskere uten patologibakgrunn ofte blir overrasket over dette. Den bemerket at på en gitt dag, av de daglige 80 til 100 bildene som en patolog skanner, forventes 2–3 å inneholde forurensninger, som de er trent til å overse.

Ifølge studien oppfører AI-modeller seg på en lignende måte, akkurat som mennesker undersøker vev på bilder. Når man undersøker vev på bilder, kan mennesker bare se et begrenset felt innen mikroskopet og deretter gå til et nytt felt og kombinere all informasjonen for å stille en diagnose.

Imidlertid ble AI lett forledet av forurensninger da den måtte bestemme hva den skulle legge merke til og hva den ikke skulle. “Det er nullsumspill,” sa Goldstein, som er direktør for perinatal patologi og førsteamanuensis i perinatal patologi og obduksjon ved det forskningsintensive Feinberg School of Medicine, Northwestern University, som forklarte:

“Hvis den gir oppmerksomhet til vevforurensninger, så gir den mindre oppmerksomhet til pasientens vev som blir undersøkt.”

Ifølge studiens forfattere bør praktikere arbeide med å kvantifisere og forbedre problemet med AI-modellenes manglende evne til å kode biologiske urenheter.

Imidlertid har resultatene gjort Goldstein “sikker på at AI‑evalueringer av morkaken er gjennomførbare,” og beskriver AI‑destruksjon som en “hastighetsbump.” Det betyr enkelt sagt: “Vi er på vei mot bedre integrering av maskinlæring i patologi,” la han til.

Selskaper som kan dra nytte av AI-drevne prediksjonsmodeller

Med AI-modeller som viser stort potensial, la oss nå se hvilke selskaper som vil ha mest nytte av dem:

1. Google DeepMind

Det er et datterselskap av teknologigiganten Google som har som mål å løse intelligens for å «fremme vitenskap og gagne menneskeheten». 

Nylig avslørte forskere fra Google DeepMind at de har utviklet en AI-assistent for leger kalt Articulate Medical Intelligence Explorer (AMIE) som kan hjelpe med å diagnostisere pasienter. Et annet papir fra organisasjonen foreslo WARM for å takle belønningshacking i LLM-er.

Med aksjene som handles til $152,59, opp 8,94 % år‑til‑dato, på tidspunktet for skrivingen, har Google (GOOGL) en markedsverdi på $1,9 billion. Selskapet rapporterte en inntekt (TTM) på $297 milliarder med en EPS (TTM) på 5,21 og en P/E (TTM) på 29,19.

2. Siemens Healthineers

Det ledende helsevesensselskapet har satset på AI for å transformere helseindustrien. Siemens Healthineers (SHL.SW ) (SHL.DE ) har utviklet 84 AI‑støttede produkter per november 2023 og har over 800 patenter relatert til teknologien.

Utskilt fra morselskapet Siemens, har leverandøren av helseløsninger en markedsverdi på $63 billion ettersom aksjene handles til $51,68. Siemens Healthineers har en EPS (TTM) på 1,35 og en P/E (TTM) på 38,28.

Avsluttende tanke

Som vi har sett, har AI enormt potensial i trendanalyse, og etter hvert som teknologien utvikler seg, vil vi se enda mer nøyaktige og handlingsorienterte innsikter samt innovasjon på tvers av sektorer. Innen helsevesenet syntetiserer AI‑drevne prediksjonsmodeller data, innsikter og intervensjoner for å personalisere helsetjenester og optimalisere resultater. 

Klikk her for å lære om den økende synergien mellom AI og nevrovitenskap.