Registerforskningen utgår ofta från enorma mängder data där AI skulle kunna vara en naturlig del för att lösa specifika uppgifter eller upptäcka komplexa orsakssammanhang. Men det finns utmaningar på vägen.

Registerbaserad forskning utgår ofta från data som redan finns i befintliga register, som till exempel befolknings- och hälsodataregister eller nationella kvalitetsregister över sjukdomar. Det är mycket data som behöver processas och därmed finns det stora möjligheter för tillämpad AI och maskininlärningsmetoder att ha en framträdande roll. Jonas Björk, professor i epidemiologi vid Lunds universitet, har dock en viss skepsis till AI:

– I vissa fall kommer maskininlärning inte att bidra med speciellt mycket jämfört med traditionella metoder, exempelvis i situationer när en eller fåtal dominerande faktorer förklarar ett samband. Däremot är AI ett utmärkt tillskott i verktygslådan när det finns väldigt mycket data med komplexa samband, säger han.

Individuella riskbedömningar

Att träna ett nätverk för att bearbeta stora mängder registerdata och lösa en specifik uppgift, som att hitta tumörer med hjälp av bilddiagnostik, är en del av tillämpad AI där man har kommit långt. Svårare blir det om man försöker hitta orsakssamband eller skatta risken för allvarlig sjukdom utifrån data från många olika källor. Ett exempel på detta är att använda AI när en patient söker sjukvård. Då kan gamla och nya provresultat, symtombild och tidigare sjukdomshistorik värderas i ett AI-system och ge ett medicinskt beslutstöd för individuella riskbedömningar. Jonas Björk är övertygad om att här finns det en stor potential för AI-metodik.

– Metoden behöver kanske inte vara bättre än en riktigt erfaren läkare, men kan öka effektiviteten, stötta de mer oerfarna och minska risken för felaktiga beslut vid tillfällen då arbetsbelastningen inom hälso- och sjukvården är hög.

Undvika nonsenssamband

Men det finns utmaningar på vägen och problem som behöver lösas. Vid ”vanlig” registerforskning kan en van forskare upptäcka rena felaktigheter i datamaterialet genom enkla rimlighetskontroller. En av utmaningarna med AI är att undvika att nätverket fångar upp nonsenssamband i komplexa datamängder:

– AI skulle till exempel kunna föreslå rökhosta som en viktig orsak till allvarlig lungsjukdom, när hostan endast är ett symtom. På ett plan har AI kanske rätt, men hamnar fel i slutsatsen om orsak och verkan.

AI-metoder behöver självklart testas på många olika sätt innan de kan tillämpas. Första steget innebär att utvärdera mot redan insamlade registerdata och på så sätt jämföra med ett ”facit”. Därefter bör man göra en skuggstudie i kliniken där nätverkets förslag jämförs med läkarens diagnos. Slutligen är det dags för en skarp klinisk studie med riskvärderingar och diagnosförslag som läkaren får ta del av.

Lång resa från skrivbord till klinik

– I nuläget är det många projekt som pågår men väldigt få som är implementerade inom hälso- och sjukvården. Resan från skrivbordsutvärderingar, skuggsystem till klinisk utvärdering och införande är väldigt lång, säger Jonas Björk.

AI-metoder behöver självklart testas på många olika sätt innan de kan tillämpas. Första steget innebär att utvärdera mot redan insamlade registerdata. Det finns då redan ett facit som riskskattningarna och förslagen på diagnos går att jämföra mot. Därefter bör man göra en skuggstudie i kliniken där nätverkets förslag jämförs med läkarens diagnos. Slutligen är det dags för en skarp klinisk studie med riskvärderingar och diagnosförslag som läkaren får ta del av. I nuläget är det många projekt som pågår men väldigt få som är implementerade inom hälso- och sjukvården. Resan från skrivbordsutvärderingar, skuggsystem till klinisk utvärdering och införande är väldigt lång.

– Svårigheten är också att skapa acceptans för den här typen av system som inte är transparenta. Nätverken kokar ihop all information till ett beslutsförslag, men det kan vara svårt att förstå hur det kommer fram till lösningen. Hur informationen presenteras är avgörande för att patienter och sjukvårdspersonal ska känna tilltro till tekniken, avslutar Jonas Björk.

Text: ÅSA HANSDOTTER