AI‑drivna prediktionsmodeller kommer att föra sjukvården framåt i stora steg

AI:s mål är att möjliggöra för maskiner att efterlikna mänskliga tankar och beteenden, inklusive lärande, resonemang och förutsägelse. Kärnan i detta arbete är AI-baserad modellering, som fungerar som grunden för att skapa automatiserade och intelligenta system.

För att bygga sådana modeller används en mängd olika tekniker, vilka är avgörande för att skapa smarta system som kan tillämpas i olika verkliga sektorer, inklusive finans, sjukvård, jordbruk, cybersäkerhet och mer.

Utvecklingen av dessa modeller använder ofta olika typer av analys—deskriptiv, diagnostisk, prediktiv och föreskrivande—baserat på problemets natur och dess lösningskrav.

Idag fokuserar vi på prediktiv analys, som utforskar data för att förutsäga vad som kommer att hända i framtiden. Genom att använda enorma mängder data tolkar modellen igenkännbara mönster, vilket möjliggör exakta förutsägelser och hjälper till att fatta välgrundade beslut. 

Klicka här för att lära dig allt om att investera i artificiell intelligens.

AI:s oöverträffade förmåga att känna igen trender

AI har denna oöverträffade förmåga att känna igen trender inom en uppsättning variabler. Detta beror på att teknologin, till skillnad från människor, kan bearbeta enorma mängder data snabbt, identifiera mönster och trender samt förstå vad allt detta betyder. 

Det är genom maskininlärningsalgoritmer som en AI-modell utför sitt arbete, vilket är att förutsäga resultatet baserat på den tillhandahållna datan.

När man analyserar en trend används vanligtvis neurala nätverk inspirerade av mänsklig hjärnfunktion på grund av deras förmåga att lära och anpassa sig. Andra maskininlärningsalgoritmer som är viktiga för trendanalys är Support Vector Machines (SVM), som kategoriserar data i distinkta klasser, och Random Forests, som samlar flera besluts‑träd för kraftfulla prediktiva modeller. Ett Bayesianskt nätverk är ett annat som använder probabilistiska grafiska modeller för att representera de statistiska beroendena bland en uppsättning variabler. 

Inom sjukvården möjliggör utnyttjandet av dessa maskininlärningsalgoritmer för att bygga AI‑drivna prediktionsmodeller bättre och mer skräddarsydda individuella vård‑ och behandlingsplaner.  

För detta filtrerar AI igenom mångsidig sjukvårdsdata för att visa framväxande trender i sjukdomsutveckling. Detta gör det möjligt för medicinska yrkespersoner att proaktivt hantera hälsoproblem och anpassa behandlingsstrategier, vilket omformar patientvården.

Potentialen i AI:s förmåga att upptäcka mönster inom sjukvården

Låt oss nu titta på den faktiska användningen av teknikens förmåga att känna igen trender inom en uppsättning variabler.

AI‑övervakningsverktyg för att upptäcka sepsis innan symtomen uppträder

I en nyligen publicerad studie fann forskarna att de framgångsrikt kan förutsäga sepsisinfektion hos högriskpatienter och rädda liv genom att använda en ny AI‑algoritm. 

Sepsis är en ledande orsak till dödlighet och sjuklighet världen över. Vid detta tillstånd svarar kroppens immunsystem extremt på en infektion, vilket skadar dess egna vävnader och organ.

I USA utvecklar minst 1,7 miljoner vuxna sepsis varje år, och omkring 350 000 dör av denna livshotande blodinfektion. Samtidigt drabbas uppskattningsvis 48,9 miljoner människor varje år globalt, varav cirka 11 miljoner dör.

Forskare från University of California San Diego School of Medicine är dock fast beslutna att förändra dessa siffror genom att utnyttja AI.

Enligt studien som publicerades i den digitala upplagan av Digital Medicine utvecklade forskarna en AI‑algoritm kallad COMPOSER. Den använder data i realtid för att i förväg avgöra om patienten har tillståndet innan de kliniska tecknen visar sig, genom att arbeta “tyst och säkert i bakgrunden”. 

Modellen övervakar kontinuerligt varje patient för tecken på sepsis, noterade studiens medförfattare Gabriel Wardi, MD, chef för avdelningen för kritisk vård vid UC San Diego (UCSD) avdelning för akutsjukvård.

Tidigt upptäckt av sepsis är kritiskt eftersom insatser har större fördelar när de genomförs tidigare i sjukdomsförloppet.

Modellen användes på akutmottagningarna vid UC San Diego Health, regionens enda akademiska sjukvårdssystem, för att identifiera patienter med risk för sepsisinfektion och har minskat mortaliteten med 17 %.

Så fungerar den: efter att en patient har checkat in på akutmottagningen börjar COMPOSER övervaka mer än 150 olika patientvariabler som kan kopplas till sepsis. Dessa variabler inkluderar demografi, medicinsk historik, vitala tecken och laboratorieresultat. 

Om en patient identifieras med flera av dessa variabler, vilket resulterar i hög risk för sepsisinfektion, meddelar algoritmen vårdpersonalen via sjukhusets elektroniska patientjournal. Personalen granskar sedan med läkaren för bekräftelse och för att fastställa lämpliga behandlingsplaner för patienten. 

“Dessa avancerade AI‑algoritmer kan upptäcka mönster som inte omedelbart är uppenbara för det mänskliga ögat.” 

– Shamim Nemati, Ph.D., studiens medförfattare och chef för prediktiv analys samt docent i biomedicinsk informatik vid UC San Diego School of Medicine

Han tillade också:

“Systemet kan se på dessa riskfaktorer och leverera en mycket exakt förutsägelse av sepsis.”

Studien, som finansierades av National Institutes of Health, National Library of Medicine och Joan and Irwin Jacobs Center for Health Innovation vid UC San Diego Health, undersökte över 6 200 patientintag före och efter att AI‑algoritmen implementerades på sjukhusets akutmottagningar.

Det är den första studien som använde en AI deep‑learning‑modell och rapporterade förbättringar i patientresultat. Modellen använder artificiella neurala nätverk för att exakt och säkert identifiera komplexa och flera riskfaktorer hos patienter. Wardi sade:

“Det är tack vare denna AI‑modell som våra team kan ge livräddande behandling till patienter snabbare.” 

COMPOSER aktiverades först för över ett år sedan, i december 2022. Den används för närvarande i många sjukhusens in‑patientenheter inom UC San Diego Health, och i framtiden kommer även UC San Diego Health East Campus att börja använda den.

Nyligen meddelade Health Care Center sin första chef för hälso‑AI. De har också lanserat ett pilotprojekt där molnbaserade elektroniska patientjournalsystemen Epic och ChatGPT automatiskt skapar mer medkännande meddelandesvar så att läkare och vårdgivare kan fokusera på patientvården. 

“Integration av AI‑teknik i den elektroniska patientjournalen hjälper till att uppfylla löftet om digital hälsa.” 

– Christopher Longhurst, studiens medförfattare och verkställande direktör för Jacobs Center for Health Innovation samt chefsmedicinsk officer och chef för digitala frågor vid UC San Diego Health

Programvara för att analysera genomdata för att förutsäga sjukdom med noggrannhet

Ett annat exempel på AI‑drivna prediktionsmodeller som hjälper sjukvårdssektorn kan ses i en studie som publicerades förra veckan. Skapad vid Rutgers Health, den unika mjukvaran IntelliGenes kombinerar AI och maskininlärning för att hjälpa till att förutsäga sjukdomar hos individer. Modellen analyserar genomdata för att hitta hälso‑relaterade biomarkörer för att producera personliga patientförutsägelser samt en visuell representation av dem.

Multigenomisk data informerar om patientens inneboende genetiska sammansättning och har potential att avslöja nya biomarkörer baserat på deras sjukdomsrisk. Studien noterade:

“Vi tror att synergistisk användning av flera AI‑algoritmer ger mer exakta resultat, drar insiktsfulla slutsatser och precisa förutsägelser om verkliga problem jämfört med en enskild AI‑algoritm på egen hand.”

Den fann dessutom att Support Vector Machine (SVM) och Random Forest (RF) är de mest framgångsrika maskininlärningsalgoritmerna för att göra förutsägelser med hög precision och lösa problem med regression och klassificering.

För närvarande finns inga AI‑verktyg tillgängliga för att undersöka och tolka hela människans genom, särskilt för individer som inte är experter på området. Därför utvecklade forskarna IntelliGenes, som kan användas av vem som helst, även de som saknar djup kunskap om bioinformatik eller tillgång till högpresterande datorer.

Genom att kombinera maskininlärningsalgoritmer strävar forskarna vid Rutgers Health efter att avslöja information som vanligtvis förbises av klassisk statistik och traditionella bioinformatikmetoder.

Forskarna använde sedan IntelliGenes i en annan studie för att upptäcka nya biomarkörer och förutsäga hjärt‑ och kärlsjukdomar (CVD) med hög noggrannhet.

Enligt studien kan korrekt användning av AI‑ och ML‑metoder ge oss nya insikter och förståelser av hjärt‑ och kärlsjukdomar. Detta i sin tur möjliggör bättre personliga behandlingar.

Studien inleddes med en grundlig förbehandling av genuttrycksdata och använde sedan tre statistiska tester för att utvärdera skillnader i transkriptomisk (studie av hela RNA‑uppsättningen) uttryck samt skillnader mellan kliniska egenskaper hos CVD‑patienter och friska individer.

I sin forskning upptäckte teamet 18 transkriptomiska biomarkörer som är starkt signifikanta i CVD‑populationen. De användes sedan för att förutsäga sjukdom med upp till 96 % noggrannhet. Dessa resultat validerades också mot kliniska journaler från patienterna i kohorten.

“Det finns enorm potential i sammansmältningen av dataset och de häpnadsväckande framstegen inom artificiell intelligens och maskininlärning.” 

– Zeeshan Ahmed, huvudförfattare till studien. Ahmed är fakultetsmedlem vid Rutgers Institute for Health, Health Care Policy and Aging Research (IFH) och assisterande professor i medicin vid Robert Wood Johnson Medical School

Enligt honom stödjer modellen inte bara personlig tidig upptäckt av både vanliga och sällsynta sjukdomar hos individer, utan öppnar även dörren för bredare forskning som så småningom kan leda till nya interventioner och behandlingar.

AI är ännu inte en perfekt lösning!

Som vi har sett har AI‑drivna modeller betydande fördelar inom sjukvården. De kan upptäcka sjukdomar i god tid med hög precision och rädda många liv. Men de är inte den ultimata lösningen, åtminstone ännu inte. Detta kan ses i en studie som publicerades tidigare i månaden och som visade att när AI tillämpas i verkligheten uppstår misstag.

Publicerad tidigare i månaden i tidskriften Modern Pathology är denna studie den första som undersöker hur kontamination i vävnad påverkar AI:s inlärningsmodeller.

I denna studie tränade forskarna tre AI‑modeller för att analysera mikroskopiska bilder av placentavävnad, med uppgifter som att identifiera blodkärlsskador, uppskatta graviditetsålder och klassificera makroskopiska lesioner. Dessutom tränades en fjärde modell för att upptäcka prostatacancer i vävnadsprover från nålbiopsier.

För att testa deras robusthet exponerade forskarna sedan varje modell för små mängder kontaminerad vävnad — såsom blod och blåsvävnad — slumpmässigt hämtade från andra bilder. Detta steg syftade till att efterlikna verkliga förhållanden där föroreningar ofta förekommer.

Vid utvärderingen av AI‑modellernas prestanda upptäcktes att alla fyra modeller skiftade sitt fokus till vävnadsföroreningarna istället för att koncentrera sig på sina huvuduppgifter. Denna distraktion ledde till felaktigheter vid bestämning av graviditetsålder, diagnos av prostatacancer, identifiering av lesioner och bedömning av blodkärlsskador. Detta beror på att AI‑system möter en mängd olika material i verkligheten som de inte har tränats på, till skillnad från de rena simulerade miljöer de tränas i.

“Våra fynd påminner om att AI som fungerar otroligt bra i laboratoriet kan misslyckas i verkligheten. Patienter bör fortsätta förvänta sig att en mänsklig expert är den slutgiltiga beslutsfattaren vid diagnoser baserade på biopsier och andra vävnadsprover. Patologer fruktar — och AI‑företag hoppas — att datorerna är på väg att ta våra jobb. Inte ännu.”

– Medförfattare Dr. Jeffery Goldstein

Inte bara för AI utan även för patologer som är omfattande tränade att upptäcka detta, är vävnadsförorening ett ganska vanligt problem. Studien påpekar dock att läkare och forskare utan patologibakgrund ofta blir förvånade över detta. Den noterade att på en given dag, av de 80–100 bilder som en patolog skannar, förväntas 2–3 innehålla föroreningar, vilka de är tränade att bortse från.

Enligt studien fungerar AI‑modeller på ett liknande sätt, precis som hur människor undersöker vävnader på bilder. När människor granskar vävnader på bilder kan de bara titta på ett begränsat fält i mikroskopet, sedan flytta till ett nytt fält och kombinera all insamlad information för att ställa en diagnos. 

AI visade sig dock lätt vilseledas av föroreningar eftersom den måste avgöra vad den ska uppmärksamma och vad den ska ignorera. “Det är en nollsummespel,” sade Goldstein, som är chef för perinatal patologi och assisterande professor i perinatal patologi och obduktion vid det forskningsintensiva Feinberg School of Medicine, Northwestern University, när han förklarade:

“Om den uppmärksammar vävnadsföroreningar, så uppmärksammar den mindre vävnaden från patienten som undersöks.”

Enligt studiens författare bör praktiker arbeta med att kvantifiera och förbättra problemet med AI‑modellers oförmåga att hantera biologiska föroreningar.

Resultaten har dock gjort Goldstein “säker på att AI‑utvärderingar av placentan är genomförbara,” och kallade AI:s hinder för ett “hinder på vägen”. Det betyder helt enkelt, “Vi är på väg mot en bättre integration av maskininlärning i patologi,” tillade han.

Företag som kan dra nytta av AI‑drivna prediktionsmodeller

Med AI‑modeller som visar stor potential, låt oss nu se vilka företag som kan dra mest nytta av dem:

1. Google DeepMind

Det är ett dotterbolag till teknikjätten Google som syftar till att lösa intelligens för att “främja vetenskap och gynna mänskligheten.” 

Senast har forskare på Google DeepMind avslöjat att de har utvecklat en AI‑assistent för läkare kallad Articulate Medical Intelligence Explorer (AMIE) som kan hjälpa till att diagnostisera patienter. Ett annat papper från organisationen föreslog WARM för att bekämpa belöningsmanipulation i LLM‑modeller.

Med sina aktier som handlas till $152,59, upp 8,94 % år till datum, har Google (GOOGL) vid skrivandet en börsvärde på $1,9 biljon. Företaget rapporterade en omsättning (TTM) på $297 miljarder samt ett EPS (TTM) på 5,21 och ett P/E (TTM) på 29,19.

2. Siemens Healthineers

Det ledande sjukvårdsföretaget har satsat på AI för att omvandla sjukvårdsindustrin. Siemens Healthineers (SHL.SW ) (SHL.DE ) har utvecklat 84 AI‑stödda produkter fram till november 2023 och innehar över 800 patent relaterade till teknologin.

Uppdelad från moderbolaget Siemens har leverantören av sjukvårdslösningar ett börsvärde på $63 miljarder och dess aktier handlas till $51,68. Siemens Healthineers har ett EPS (TTM) på 1,35 och ett P/E (TTM) på 38,28.

Avslutande tanke

Som vi har sett har AI enorm potential inom trendanalys, och i takt med att teknologin utvecklas kommer vi att se ännu mer exakta och handlingsbara insikter samt innovationer över sektorer. Inom sjukvården sammansätter AI‑drivna prediktionsmodeller data, insikter och interventioner för att personifiera vården och optimera resultat. 

Klicka här för att lära dig mer om den växande synergien mellan AI och neurovetenskap.