Lyssna på tysta signaler – AI kan förändra nuvarande metoder för att diagnostisera osteoporos

Osteoporos, den tysta tjuven, har varit svår att upptäcka för länge. Denna ben‑tjuv går ofta oupptäckt tills en fraktur inträffar. Men nu är AI redo att avslöja osteoporos tysta signaler innan de blir en brytpunkt.

Det är inte så att vi saknar möjligheter att testa för osteoporos, för vi har dem, och de kallas dual-energy röntgenabsorptiometri (DXA). Det är den nuvarande guldstandarden för att mäta bentäthet (BMD). Dock har den begränsningar.

DXA‑scanningar kräver specialiserad utrustning och personal, vilket gör dem otillgängliga och dyra. Som ett resultat förblir många riskgrupper oscreenade tills de får en fraktur.

Med AI i bilden kommer detta snart att förändras. Nya genombrott visar att AI‑algoritmer, särskilt djupinlärningsmodeller, kan exakt förutsäga osteoporosrisk med befintliga hälsodata. Detta kan innebära tidigare upptäckt och intervention, potentiellt inga frakturer och bättre resultat.

Dessutom bekräftar banbrytande forskning från Tulane University potentialen för artificiell intelligens i osteoporosdetektion. Forskare där utvecklade ett djupt neuralt nätverk (DNN) specifikt utformat för att förutsäga risken för osteoporos.

Denna modell testades rigoröst mot traditionella maskininlärningsalgoritmer och en konventionell regressionsmodell. De använde data från över 8 000 deltagare i Louisiana Osteoporosis Study, vilket visar DNN‑modellens avancerade förmåga att exakt bedöma osteoporosrisk.

DNN‑modellen presterade bättre än konkurrenterna i att förutsäga osteoporosrisk. Den var bra på att identifiera högriskindivider (sensitivitet) och låg‑riskindivider (specificitet).

Modellen antyder att AI kan användas för osteoporosscreening med befintliga hälsodata och utöka tillgången till screening, särskilt där DXA inte är tillgängligt. Noterbart identifierade DNN‑modellen dessa tio främsta riskfaktorer för osteoporos:

• Vikt
• Ålder
• Kön
• Greppstyrka
• Längd
• Ölintag
• Diastoliskt blodtryck
• Alkoholintag
• Rökningens varaktighet
• Inkomstnivå

Aktuella riktlinjer för osteoporosscreening förlitar sig däremot starkt på ålder och kön. Även om de är viktiga fångar de inte individens unika riskprofil. AI erbjuder dock ett mer personligt tillvägagångssätt.

Genom att beakta ett brett spektrum av faktorer, inklusive föränderliga livsstilsval som rökning och alkoholanvändning, kan AI identifiera högriskindivider som kan falla mellan glipporna i nuvarande screeningsprotokoll. Detta riktade tillvägagångssätt kan revolutionera förebyggande strategier.

Individer som AI identifierar som högrisk kan genomgå DXA‑scanningar för att bekräfta diagnosen och sedan påbörja benstärkande mediciner och livsstilsjusteringar. Dessutom kan de få tätare övervakning för tecken på frakturer.

På samhällsnivå kan AI‑driven riskstratifiering optimera resursallokering. Till exempel kan DXA och avancerade tester prioriteras för de högst riskfyllda individerna, medan låg‑riskindivider kan undvika onödiga tester och behandlingar.

Dock är vägen till bred AI‑implementering i osteoporosscreening kantad av utmaningar. Tulane‑studien kräver validering i olika populationer och verkliga kliniska miljöer. Dessutom måste etiska och juridiska hinder, inklusive modellrättvisa, patientsekretess och ansvar, hanteras. Låt oss titta på några av dessa utmaningar:

Databias

AI‑modeller kan bara vara så opartiska som deras träningsdata. Om data inte representerar den allmänna befolkningen kommer modellens förutsägelser inte att vara universellt tillämpliga. Vi behöver starka skyddsåtgärder för att förhindra att AI förvärrar hälsoskillnader.

Patientsekretess

Träning av AI‑modeller kräver tillgång till stora hälso‑databaser, men dessa data måste skyddas. Patienter måste lita på att deras känsliga hälsoinformation förblir privat och säker.

Ansvar

Om en AI‑modell misslyckas med att identifiera en högriskindivid som senare får en fraktur, vem hålls ansvarig? AI‑utvecklarna? Hälso‑vårdgivarna som litade på dess förutsägelser? Således måste juridiska och regulatoriska ramverk utvecklas för att ge tydliga riktlinjer när AI blir allt vanligare inom medicin.

Men trots utmaningarna är AI utan tvekan mycket spännande för den medicinska gemenskapen. Varför inte? Om AI kan identifiera riskindivider tidigare kan det förändra resultatet för miljontals människor världen över.

Statistiskt sett, var tredje sekund, inträffar en osteoporotisk fraktur globalt. Dessa frakturer, särskilt i höften, kan utlösa en kedja av konsekvenser, inklusive:

• Kronisk smärta
• Funktionsnedsättning
• Förlust av självständighet
• Ökad dödlighet

På den ekonomiska fronten är också påverkan betydande, med osteoporosrelaterade frakturer som kostar miljarder årligen i sjukvårdskostnader och förlorad produktivitet.

Det enda sättet att stoppa dessa problem i sin linda är genom tidig upptäckt och behandling. Endast då kan vi förhindra dessa frakturer. Forskning visar att benstärkande mediciner som bisfosfonater kan avsevärt minska frakturrisken hos osteoporospatienter. Dessa mediciner är dock underutnyttjade, delvis eftersom osteoporos ofta förblir odiagnostiserad.

Bortom bara diagnos

Personalisering

AI‑modeller kan förutsäga hur individer kommer att svara på behandlingar, vilket möjliggör personliga terapival. De kan också övervaka behandlingsadhärens och effektivitet över tid och varna vårdgivare när justeringar behövs.

Framåt kan AI till och med integreras i konsumenthälsoprodukter. Föreställ dig en smartwatch som spårar din aktivitet, kost och andra hälsomått, och ger personliga osteoporosriskbedömningar och förebyggande råd. En sådan enhet skulle ge dig möjlighet att proaktivt hantera din benhälsa och övergripande hälsa. Att uppnå detta kräver dock samarbete mellan AI‑forskare, vårdgivare och patienter.

Prisvärd tidig Osteoporosdetektion

Nästa punkt är kostnadsaspekten, som framhäver AI:s förmåga att demokratisera tidig osteoporosdetektion. Även om DXA‑scanningar är effektiva är de varken praktiska eller prisvärda i stor skala. Lösningen ligger i en validerad AI‑algoritm som kan implementeras via elektroniska patientjournaler. Detta är särskilt fördelaktigt i underbetjänade samhällen där osteoporos ofta förblir odiagnostiserad, vilket gör tidig upptäckt mer tillgänglig och prisvärd för alla.

Bättre tillgänglighet & Användning

Dessutom kan landsbygdsområden med begränsad tillgång till specialister och DXA använda AI för att identifiera högriskpatienter för remiss. Äldre med rörlighetsproblem kan screenas utan att behöva resa för en scanning. AI‑genererade riskpoäng kan dessutom hjälpa till att prioritera DXA‑resurser för dem som skulle ha mest nytta, vilket säkerställer att de tillgängliga resurserna används effektivt och ändamålsenligt.

Istället för att förlita sig på breda screeningsriktlinjer baserade på ålder eller kön, kan AI möjliggöra riktad screening baserad på individuella riskprofiler, vilket optimerar patientresultat och resursutnyttjande. Utöver tidig upptäckt kan AI förbättra osteoporoshantering genom att förutsäga patientförlopp och möjliggöra personliga interventioner.

Låt oss nu titta på företag som kan dra nytta av framsteg inom AI‑driven osteoporosdetektion och -hantering.

#1. Hologic, Inc. (HOLX)

Hologix är en ledande leverantör av DXA‑system som används för att mäta bentäthet. Genom att integrera AI i sina DXA‑system kan Hologic avsevärt förbättra noggrannheten och de prediktiva möjligheterna för osteoporosdetektion.

Denna förbättring kan göra deras produkter mer värdefulla och attraktiva för vårdgivare, vilket potentiellt ökar försäljningen av deras DXA‑system och tillhörande mjukvara, och därmed utökar deras marknadsandel inom osteoporosdiagnostik.​

Finansiellt befinner sig företaget i en solid position. Det rapporterade en total omsättning på cirka 4,03 miljarder dollar för räkenskapsåret 2023.

#2. GE Healthcare

Som en stor aktör inom medicinsk bildbehandling kan GE Healthcare dra nytta av AI‑framsteg genom att förbättra de diagnostiska möjligheterna i sina bildsystem, inklusive DXA‑skannrar.

Förbättrad AI‑integration kan leda till mer exakt och tidig upptäckt av osteoporos, vilket driver efterfrågan på deras avancerade bildteknologier och AI‑mjukvarulösningar. Detta kan resultera i högre försäljning och långsiktiga serviceavtal, vilket stärker deras position på marknaden för medicinsk bildbehandling.

Ekonomiskt rapporterade GE Healthcare en total omsättning på 19,6 miljarder dollar för räkenskapsåret 2023.

Avslutande tankar

Sammanfattningsvis, även om dessa utvecklingar och potentiella fördelar låter otroliga, är det osannolikt att de sker över en natt. Pågående forskning, utveckling, validering och hantering av utmaningar kring datasekretess, säkerhet, etik och jämlikhet är avgörande. Men om vi får det rätt kommer belöningarna att vara enorma. Vi kan omvandla denna tysta sjukdom till en som är förebyggbar, behandlingsbar och slutligen besegbar.

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