Lytte til stille signaler – AI kan endre dagens tilnærminger til diagnostisering av osteoporose

Osteoporose, den stille tyven, har vært unnvikende altfor lenge. Denne ben‑tyven blir ofte ikke oppdaget før et brudd oppstår. Men nå er AI klar til å avdekke osteoporosens stille signaler før de blir et bristepunkt.

Det er ikke som om vi ikke har midlene til å teste for osteoporose, for vi har dem, og de kalles dual‑energi røntgenabsorpsjonsmåling (DXA). Det er dagens gullstandard for måling av benmineraldensitet (BMD). Imidlertid har den begrensninger.

DXA‑skanninger krever spesialisert utstyr og personell, noe som gjør dem utilgjengelige og kostbare. Som følge av dette forblir mange risikopersoner uscreenet til de opplever et brudd.

Med AI i bildet vil dette snart endre seg. Nyere gjennombrudd viser at AI‑algoritmer, spesielt dype læringsmodeller, kan nøyaktig forutsi osteoporoserisiko ved hjelp av eksisterende helsedata. Dette kan bety tidligere oppdagelse og intervensjon, potensielt ingen brudd, og bedre resultater.

Videre bekrefter potensialet til kunstig intelligens i osteoporosedeteksjon. Forskere der utviklet en dyp nevralt nettverk (DNN)-modell spesielt designet for å forutsi risikoen for osteoporose.

Denne modellen ble grundig testet mot tradisjonelle maskinlæringsalgoritmer og en konvensjonell regresjonsmodell. De brukte data fra over 8 000 deltakere i Louisiana Osteoporosis Study, noe som demonstrerer DNN-modellens avanserte evne til nøyaktig å vurdere osteoporoserisiko.

DNN-modellen presterte bedre enn konkurrentene i å forutsi osteoporoserisiko. Den var god til å identifisere høyrisikopersoner (sensitivitet) og lavrisikopersoner (spesifisitet).

Modellen antyder at AI kan brukes til osteoporosescreening ved hjelp av eksisterende helsedata og utvide tilgangen til screening, spesielt der DXA ikke er tilgjengelig. Merkverdig identifiserte DNN-modellen disse ti viktigste risikofaktorene for osteoporose:

• Vekt
• Alder
• Kjønn
• Grepsstyrke
• Høyde
• Ølkonsum
• Diastolisk blodtrykk
• Alkoholinntak
• Røykevarighet
• Inntektsnivå

Nåværende retningslinjer for osteoporosescreening, derimot, baserer seg tungt på alder og kjønn. Selv om de er viktige, fanger de ikke virkelig opp en persons unike risikoprofil. AI tilbyr imidlertid en mer personlig tilnærming.

Ved å vurdere et bredt spekter av faktorer, inkludert endringsbare livsstilsvalg som røyking og alkoholbruk, kan AI identifisere høyrisikopersoner som kan falle gjennom hullene i dagens screeningprotokoller. Denne målrettede tilnærmingen kan revolusjonere forebyggingsstrategier.

Personer som AI identifiserer som høyrisikopersoner kan gjennomgå DXA-skanninger for å bekrefte diagnosen og deretter starte med benstyrkende medisiner og livsstilsjusteringer. I tillegg kan de få hyppigere oppfølging for tegn på brudd.

På samfunnsnivå kan AI‑drevet risikostratifisering optimalisere ressursfordelingen. For eksempel kan DXA og avanserte tester prioriteres for de høyest risikable, mens lavrisikopersoner kan unngå unødvendige tester og behandling.

Imidlertid er veien til bred AI‑implementering i osteoporosescreening fylt med utfordringer. Tulane‑studien krever validering i ulike befolkninger og i kliniske settinger i den virkelige verden. I tillegg må etiske og juridiske hindringer, inkludert modellrettferdighet, pasientpersonvern og ansvar, adresseres. La oss se på noen av disse utfordringene:

Dataskjevhet

AI-modeller kan kun være så upartiske som treningsdataene deres. Hvis dataene ikke representerer befolkningen generelt, vil modellens prediksjoner ikke være universelt anvendelige. Vi trenger sterke sikkerhetstiltak for å hindre at AI forverrer helseforskjeller.

Pasientpersonvern

Trening av AI-modeller krever tilgang til store helsedata‑arkiver, men disse dataene må beskyttes. Pasienter må kunne stole på at deres sensitive helseinformasjon forblir privat og sikker.

Ansvar

Hvis en AI-modell ikke klarer å identifisere en høyrisikoperson som senere får et brudd, hvem holdes ansvarlig? AI‑utviklerne? Helsepersonell som stolte på modellens prediksjoner? Derfor, etter hvert som AI blir stadig mer utbredt i medisin, må juridiske og regulatoriske rammeverk utvikles for å gi klare retningslinjer.

Men til tross for utfordringene er AI uten tvil svært spennende for det medisinske fellesskapet. Hvorfor skulle det ikke være det? Tross alt, hvis AI kan identifisere risikopersoner tidligere, kan det endre utfallet for millioner av mennesker over hele verden.

Statistisk sett, hver tredje sekund, oppstår et osteoporosebrudd globalt. Disse bruddene, spesielt hoftebrudd, kan utløse en kjede av konsekvenser, inkludert:

• Kronisk smerte
• Funksjonsnedsettelse
• Tap av selvstendighet
• Økt dødelighet

På den økonomiske fronten er også virkningen betydelig, med osteoporose‑relaterte brudd som koster milliarder årlig i helseutgifter og tapt produktivitet.

Den eneste måten å kutte disse problemene i buken på er gjennom tidlig oppdagelse og behandling. Bare da kan vi forebygge disse bruddene. Forskning viser at benstyrkende medisiner som bisfosfonater kan betydelig redusere bruddrisiko hos osteoporosepasienter. Imidlertid er disse medisinene underutnyttet, delvis fordi osteoporose ofte forblir udiagnostisert.

Mer enn bare diagnostisering

Personalisering

AI-modeller kan forutsi hvordan individer vil reagere på behandlinger, noe som muliggjør personlig tilpassede terapivalg. De kan også overvåke behandlingsadhesjon og effekt over tid, og varsle helsepersonell når justeringer er nødvendige.

Ser vi fremover, kan AI til og med integreres i forbruker‑helseapparater. Forestill deg en smartklokke som sporer aktivitet, kosthold og andre helsemålinger, og gir personlig tilpassede osteoporoserisikoevalueringer og forebyggende råd. Et slikt apparat ville gi deg muligheten til proaktivt å håndtere både benhelsen og den generelle helsen. Imidlertid krever realiseringen av dette samarbeid mellom AI‑forskere, helsepersonell og pasienter.

Rimelig tidlig osteoporosedeteksjon

Neste punkt er rimelighetsaspektet, som fremhever AI‑s evne til å demokratisere tidlig osteoporosedeteksjon. Selv om DXA‑skanninger er effektive, er de verken praktiske eller rimelige i befolkningsomfang. Løsningen ligger i en validert AI‑algoritme som kan distribueres via elektroniske pasientjournaler. Dette er spesielt gunstig i underbetjente samfunn hvor osteoporose ofte forblir udiagnostisert, og gjør tidlig oppdagelse mer tilgjengelig og rimelig for alle.

Bedre tilgjengelighet og bruk

Videre kan rurale områder med begrenset tilgang til spesialister og DXA bruke AI til å identifisere høyrisikopasienter for henvisning. Eldre med mobilitetsproblemer kan bli screenet uten å måtte reise for en skanning. I tillegg kan AI‑genererte risikoscorer bidra til å prioritere DXA‑ressurser for de som vil ha mest nytte, og sikre at tilgjengelige ressurser brukes effektivt og målrettet.

I stedet for å stole på brede screeningretningslinjer basert på alder eller kjønn, kan AI muliggjøre målrettet screening basert på individuelle risikoprofiler, optimalisere pasientutfall og ressursbruk. Utover tidlig oppdagelse kan AI forbedre osteoporosebehandling ved å forutsi pasientforløp og muliggjøre personlig tilpassede intervensjoner.

La oss nå se på selskaper som kan dra nytte av fremskritt innen AI‑drevet osteoporosedeteksjon og -behandling.

#1. Hologic, Inc. (HOLX)

Hologic er en ledende leverandør av DXA‑systemer som brukes til å måle benmineraldensitet. Ved å integrere AI i sine DXA‑systemer kan Hologic betydelig forbedre nøyaktigheten og de prediktive evnene for osteoporosedeteksjon.

Denne forbedringen kan gjøre produktene deres mer verdifulle og attraktive for helseleverandører, potensielt øke salget av deres DXA‑systemer og tilhørende programvare, og dermed utvide deres markedsandel innen osteoporosediagnostikk.​

Finansielt er selskapet i en solid posisjon. Det rapporterte en total omsetning på omtrent 4,03 milliarder dollar for regnskapsåret 2023.

#2. GE Healthcare

Som en viktig aktør innen medisinsk bildediagnostikk kan GE Healthcare dra nytte av AI‑fremskritt ved å forbedre de diagnostiske evnene til sine bildesystemer, inkludert DXA‑skannere.

Forbedret AI‑integrasjon kan føre til mer presis og tidlig oppdagelse av osteoporose, noe som øker etterspørselen etter deres avanserte bildeteknologier og AI‑programvareløsninger. Dette kan resultere i høyere salg og langsiktige serviceavtaler, og styrke deres posisjon i markedet for medisinsk bildediagnostikk.

Når det gjelder inntekter, rapporterte GE Healthcare en total omsetning på 19,6 milliarder dollar for regnskapsåret 2023.

Avsluttende tanker

Alt i alt, selv om disse utviklingene og potensielle fordelene høres fantastiske ut, er det usannsynlig at de skjer over natten. Pågående forskning, utvikling, validering og håndtering av utfordringene knyttet til dataprivatliv, sikkerhet, etikk og likhet er avgjørende. Men hvis vi får det til, vil belønningene bli enorme. Vi kan forvandle denne stille sykdommen til en som er forebyggbar, behandlingsbar og til slutt beseirelig.

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