Kunstig intelligens i sundhedsvæsenet

Anette Savnik | Feb 2019 | Reumatologi |

Anette Savnik
speciallæge i radiologi, ph.d.,
eMBA

Dagligt hører vi om kunstig intelligens i sundhedsvæsenet og de forventede potentielle benefits i såvel nationale og internationale medier. Der foreligger dog endnu kun et relativt beskedent antal artikler om værdien efter klinisk implementering og validering i peer reviewed videnskabelige tidsskrifter. 

Det forventes, at løsninger med kunstig intelligens vil gribe ind i mange aspekter og komponenter af sundhedsvæsenet, og det vil disrupte vores sundhedsvæsen.

I takt med at danskerne lever længere, stiger antallet af borgere med kroniske sygdomme, blandt andet diabetes og demens. Det betyder fortsat stigende efterspørgsel efter sundhedsydelser og behov for nye løsninger i sundhedsvæsenet. 

SIRI-kommissionen beskrev i januar 2018 en forventning om, at i takt med at teknologien udvikles og modnes til anvendelse i sundhedsvæsnet, vil kunstig intelligens komme til at spille en stadig større rolle.1 Målet er sundhed og det gode liv, mens data og kunstig intelligens er midlet.1

Formålet med denne artikel er at se på de områder, hvor kunstig intelligens har vist det største potentiale indenfor sundhedsvæsenet på nuværende tidspunkt.

Hvad er kunstig intelligens?
Kunstig intelligens er en af de mest hypede teknologier og er fremhævet af analysefirmaet Gartner som en teknologi med et meget stort fremtidigt potentiale.2

Kunstig intelligens er beskrevet som den fjerde industrielle revolution i verdenshistorien af World Economic Forum 2016.3 Teknologien forventes at medføre en disruption – ikke kun i forhold til diagnostik, behandlinger og forebyggelse, men også i forhold til jobfunktioner og efterspørgsel på kompetencer i sundhedsvæsenet.4,5

Kunstig intelligens (på engelsk Artificial Intelligence, forkortet AI) anvendes i dag bredt for avanceret brug af data, herunder Machine Learning (ML), der er betegnelsen for metoder som for eksempel neurale netværk med algoritmer, der kan lære noget ud fra data.6 

Teknologi-driver
I takt med at computerkraften udvikles i henhold til Moores lov,7 og vi bliver i stand til at kunne håndtere store datamængder (Big Data), sker der samtidig betydelige avancementer indenfor udvikling af matematiske algoritmer, hvilket rykker kunstig intelligens-løsninger ind i sundhedsvæsenet og ikke mindst ind i borgerens hverdag – en udvikling, som skubbes fremad af verdens førende IT-virksomheder.8 

I takt med denne udvikling vil borgeres og patienters forventninger også ændres til, hvilke services og ydelser sundhedsvæsenet skal kunne tilbyde frem mod en tendens til mere personlig sundhedsteknologi.3 Denne digitale transformation i sundhedsvæsenet er allerede i gang og kan på sigt medvirke til mere patientinvolvering og -fokus på forebyggelse samt mere patientinteraktion på digitale platforme. Det vil medvirke til en udvikling, hvor vi bevæger os fra det reaktive sundhedsvæsen til det prædiktive sundhedsvæsen. 

Hvor anvendes kunstige intelligensløsninger i sundhedsvæsenet?
Nedenfor beskrives nogle af de områder, hvor kunstig intelligens hidtil har vist de mest lovende resultater i sundhedsvæsenet. 

Kunstig intelligens i billeddiagnostik
Teknologiens muligheder for at se på sammenhænge og lære af store mængder data med mønster- og objektgenkendelse er afprøvet indenfor billeddiagnostiske scanninger og øjenundersøgelser. Et studie har vist, at kunstig intelligens således har potentiale til at kunne hjælpe med at estimere graden af synovitis på ultralydsscanninger baseret på synovialis hypertrofi hos kroniske artritis-patienter i metacarpo- og proximale interphalangealled. Studiet viste dog også, at teknologien skal udvikles yderligere for at kunne anvendes i daglig rutine.9 

Andre studier har vist, at løsninger med kunstig intelligens har potentiale til at kunne forbedre workflow og patientforløb på for eksempel akuthospitaler og akutmodtagelser, nemlig ved anvendelse af kunstig intelligens-løsninger til understøttende billeddiagnostik og muligheden for hurtigere frakturdiagnostik på røntgenbilleder af knogler.10,11

Indenfor onkoradiologi og planlægning af stråleterapi har kunstig intelligens-løsninger ligeledes vist sig at være et værdifuldt understøttende værktøj til diagnostik af for eksempel brystcancer og metastaser, diagnostik af hudcancer samt til indtegning af mål for stråleterapi.12-14 Ligeledes ses indenfor oftalmologi også et potentiale i at anvende kunstig intelligens-løsninger indenfor diagnostik af fundus-sygdomme og macula degeneration.15

Indenfor de seneste par år har flere private leverandører af kunstig intelligens-løsninger til sundhedsvæsenet opnået FDA- og/eller EU-godkendelse. De tilbyder nu kunstig intelligens-løsninger til understøttende billeddiagnostiske beskrivelser indenfor for eksempel CT og MR af cerebrum til diagnostik af for eksempel stroke og blødning.16 

Kunstig intelligens som klinisk understøttende værktøj
Teknologien tilbyder også muligheder for at være et klinisk understøttende værktøj med adgang til ”atlas” eller databaser med lignende kliniske cases til sammenligning med for eksempel aktuelt billedmateriale og cases, og det kan dermed fungere som et alternativ til lægens online søgninger.17

Kan kunstig intelligens øge kvaliteten?
Indenfor det radiologiske speciale har øget efterspørgsel på billeddiagnostiske undersøgelser, flere billeder pr. undersøgelse og mangel på radiologer betydet øget risiko for fejl. Det har alvorlige konsekvenser for de enkelte patientforløb. Flere studier viser et potentiale for at kunne reducere antal fejl indenfor billeddiagnostik med kunstig intelligens.18-20

Prædiktiv performance af kunstig intelligens
Kunstig intelligens har i særdeleshed et stort potentiale indenfor opbygning af prædiktive modeller ved at kunne indsamle og få analyseret store mængder data til anvendelse indenfor diagnostik og forebyggelse. Et studie har vist potentialet med kunstig intelligens-løsninger til at kunne forudsige risici for at udvikle alvorlige kroniske skader hos patienter med systemisk lupus erythematosus (SLE).21 Et andet studie har vist fordele ved anvendelse af kunstig intelligens-løsninger som et understøttende værktøj til prioritering, sepsis diagnostik og behandling.22

Fremadrettet synes teknologien at kunne understøtte en mere personaliseret patient-interaktion og behandling, som er baseret på tidlige ”early warning signs”, adgang til real time data og relevante biomarkører,4 hvilket kan medvirke til at opfylde målet om at gå fra det reaktive sundhedsvæsen til det proaktive sundhedsvæsen.

Udfordringer med kunstig intelligens i sundhedsvæsenet
Trods de meget lovende visioner for kunstig intelligens i sundhedsvæsenet er der stadigvæk nogle udfordringer indenfor dataadgang, etik og integration, som skal løses, inden teknologien for alvor kan udvikles og implementeres i sundhedsvæsenet.

Adgang til data
Kunstig intelligens og ML har brug for rigtig mange data for at lære. Det er vanskeligt at indsamle alle disse data og samtidig overholde gældende lovgivning og EU-dataforordningen (GDPR) og sikre ”data privacy”.23 Derfor skal der fra politisk side besluttes strategier for udvikling og implementering af kunstig intelligens-løsninger i sundhedsvæsenet med overholdelse af gældende lovgivning.

Etik
For at opnå succes med implementering af kunstig intelligens er det vigtigt at arbejde videre med at sikre transparens af benyttede algoritmer. I dag er det vanskeligt at få indsigt i, hvordan input af data i modellen bliver til en afgørelse i form af et output – et typisk oplevet ”black box”-fænomen. 

Den manglende transparens og ”black box”-fænomenet strider mod borgerens ret til en forklaring på, hvorfor en afgørelse er truffet i henhold til EUs mål om ”right for an explanation”. Graden af transparens vil også kunne influere på sundhedspersonalets og lægernes tillid til teknologien samt deres behov for at kunne forklare patienten konklusionen på en afgørelse.

Ansvar
Ansvarsforhold for trufne afgørelser med kunstig intelligens er endnu uafklaret. Fremadrettet bør man også have fokus på nødvendigheden i at skulle indhente patienternes accept af kunstig intelligens som behandler. 

Afklaring af ovenfor nævnte vedrørende etik og ansvar vil være afgørende for tilliden og motivationen og dermed hastigheden af implementeringen af kunstig intelligens-løsninger i sundhedsvæsenet.

Integration
Forventningerne til kunstig intelligens-løsninger i sundhedsvæsenet er store, og derfor forventes der også store investeringer i IT-systemer baseret på kunstig intelligens, som skal kunne integreres i nuværende IT-systemer i sundhedsvæsenet. Dette vil kræve nye digitale kompetencer hos sundhedspersonale og læger samt implementering af nye jobfunktioner og arbejdsgange. Fuldstændig integration vil være vigtigt for at sikre effektive arbejdsgange i sundhedsvæsenet. 

Konklusion

Den digitale transformation i sundhedsvæsenet vil være en stor ”game changer” – både i jobfunktioner og opgaver og – ikke mindst – hvad angår krav til nye digitale kompetencer hos sundhedspersonale og læger. Teknologien har potentialet til at øge den diagnostiske og prognostiske værdi for patienter. 

Kunstig intelligens kan anvendes som et værktøj til understøttelse af arbejdsgange og beslutninger i sundhedsvæsenet ved at kunne indsamle data om patienten i en grad, som overgår, hvad den enkelte læge kognitivt kan rumme. Spørgsmålet er, om sundhedsvæsenet er klar til at tage imod kunstig intelligens som en ny teknologi, der skal modnes og udvikles i et i forvejen hårdt presset sundhedsvæsen?

Interessekonflikter: Ingen

Referencer

1. SIRI-kommisisonen. SIRI-kommisisonen – Sundhed og det gode liv er målet. https://danskdesigncenter.dk. 2. Gartner. Top Trends in the Gartner Hype Cycle for Emerging Technologies, 2017. 2017 Aug. www.gartner.com. 3. World Economic Forum. 2016. The fourth industrial revolution: what it means, how to respond. www.weforum.org. 4. Gopal G, Suter-Crazzolara C, Toldo L, Eberhardt W. Digital Transformation in Healthcare- Architectures of present and future Information Technologies. Clin Chem Lab Med 2019 Feb;25;57(3):328-335.  5. World Economic Forum- Future of work community 2017. www.weforum.org. 6. Stanford University. One Hundred Year Study on Artificial Intelligence (AI00). Artificial Intelligence and Life in 2030. Stanford University, 2016 Sept.  7. Moore, Gordon E. Moores lawn. 1970. www.mooreslaw.org. 8. Danske Regioner og Mandag Morgen. Sundhed i skyen. www.regioner.dk 9. Mielnik P, Fojcik M, Segen J, Kulbacki M. A Novek Method of Synovitis Stratification in Ultrasound. Ultrasound in Med. & Biol 2018;44(2):489-494. 10. Thian YL, Li Y, Jagmohan P, Sia D, Ern Yao Chan V, Tan RT. Convolutional Neural Networks for Automated Fracture Detection and Localization on Wrist Radiographs. RSNA: Artificial Intelligence 2019 Jan;1(1). 11. lczak J, Fahlberg N, Maki A, et al. Artificial intelligence for analysing orthopedic trauma radiographs. Acta Orthop 2017;88(6):581-586. 12. Wang D, Khosla A, Gargeya R, Irshad H, Beck AH. Deep Learning for Idenfying Metastatic Breast Cancer arXiv Prepr 2016;1-6. 13. Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature 2017 Feb;542(7639):115-118. 14. Boon IS, Au Yong TPT, Boon CS. Assessing the Role of Artificial Intelligence (AI) in Clinical Oncology: Utility of Machine Learning in Radiotherapy Target Volume Delineation. Medicines 2018;5:131. 15. Shu Wei Ting D, Pasquale LR, Peng L, Campbell JP. Artificial Intelligence and Deep Learning in Opthalmology. Br J Ophthalmo 2018;1-9.  16. Administration, U.S. Food and Drug. Transforming FDA’s Approach to Digital Health. U.S. Food and Drug Administration. 2018 April.  www.fda.gov. 17. Lee H, Yune S, Mansouri M, Kim M, Tajmir SH, Guerrier C, Ebert SA, Pomerantz SR, Romero JM, Kamalian S, Gonzalez RG, Lev MH, et al. An explainable deep-learning algorithm for the detection of acute intracranial haemorrhage from small datasets. Nature Medical Bioengineering 2018 Dec 17. 18. Teare P, Fishman M, Benzaquen O, Toledano E, Elnekave E. Malignancy detection on mammography using dual deep convolutional neural networks and genetically discovered false color input enhancement. J Digit Imaging 2017;30:499-505. 19. Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, Venugopalan S, Widner K, Madams T, Cuadros J, Kim R, Raman R, Nelson PC, Mega JL, Webster DR. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA 2016;316:2402-2410. 20. Bejnordi BE, Veta M, van Diest PJ, van Ginneken B, Karssemeijer N, Litjens G, van der Laak J. Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women with Breast Cancer. JAMA 2017;318:2199-2210. 21. Ceccarelli F, Sciandrone M, Perricone C, Galvan G. Prediction of chronic damage in systemic lupus erythromatosus by using machine learning models. PLoS ONE 2017;12(3). 22. VellidoA, Ribas V, Morales C, Sanmartín AR, Rodríguez JCR. Machine learning in critical care: state of the art and a sepsis case study. BioMedical Engineering on Line 2018;17(1):135. 23. Commission, European. June 2018 reform of EU data protection rules. https://ec.europa.eu.