Sahlgrenska hoppas kunna använda Artificiell intelligens i deras nya operationssalar.
Sahlgrenska hoppas kunna använda Artificiell intelligens i deras nya operationssalar. Bild: Petter Trens

Sjukvården halkar efter i AI-boomen

Artificiell intelligens skulle kunna hjälpa dig att få en mer träffsäker diagnos, minska användningen av antibiotika och förutse hjärtinfarkter. Mängden av patientinformation gör sjukvården till ett drömprojekt för programmerare. Så varför har man inte kommit längre?

ANNONS

På ett sjukhus finns enorma mängder data, som noteringar om hur patienter reagerat på vissa behandlingar, hur länge de behövt stanna på sjukhuset och deras tidigare diagnoser. Just den typ av data som krävs för att skapa programvara och verktyg som skulle kunna göra vårdkedjan både snabbare och billigare. Men det finns ett stort hinder – integritet.

– Vi får aldrig riskera att patientdata hamnar i fel händer eller man avslöjar personuppgifter som inte ska avslöjas. Det är ett nationellt problem, säger Lina Strand Backman, enhetschef på Västra Götalandsregionens Innovationsplattform.

Hon och kollegan Magnus Kristiansson, som i grunden är anestesisjuksköterska, har i uppgift att länka samman vårdpersonal, forskare och företag som vill ta fram nya lösningar för vården. Artificiell intelligens och maskininlärning dyker upp i allt fler projekt, framför allt inom diagnostik och resursplanering. Inom NU-sjukvården försöker man lära en maskinvara att visa vilka mammografibilder som är mest akuta att undersöka. Ett annat projekt tittar på om ett AI kan hjälpa till att förutse vilka patienter inom rättspsykiatrin som löper störst risk för återfall.

ANNONS

I båda de fallen skulle programvaran bara vara ett stöd för läkaren. Det är alltså läkaren som fattar det slutgiltiga beslutet, inte programmet.

– Där är vi inte på långa vägar, och där vill vi nog inte ens vara. Man måste se AI som en hjälp, ett verktyg, säger Magnus Kristiansson. När det gäller patienthantering måste vi också vara helt säkra på att ett verktyg fungerar innan det implementeras. Pratar man om personalplanering eller patientflöden kan vi vara ute på lite tunnare is, och där pågår en del spännande grejer.

Han är övertygad om att många inom vården ser fördelarna med AI, men det saknas i dag en ordentlig infrastruktur för att ta fram nya lösningar. Varje projekt får hitta sin väg genom ett ofta oklart regelverk.

Rikstäckande studie

Sverige har bra förutsättningar att bli en ledande nation inom AI-forskning eftersom stora delar av vårt samhälle redan kommit långt i digitaliseringen. Trots det ligger vi besvärande långt efter länder som USA och Kina. Sjukvården är det område där glappet mellan vad som kan göras med AI och vad som faktiskt gjorts är allra störst, enligt en rapport från Vinnova. En av de främsta orsakerna till det är enligt rapporten att det inte finns några tydliga regler kring hur data ska användas. Dessutom råder det brist på kompetens och resurser för AI-utveckling, samtidigt som den offentliga sektorn inte får tillräckliga direktiv från staten.

ANNONS

Bristen på direktiv gör dock inte intresset för AI mindre.

– Det är AI-möten i princip varje vecka. Det är jätteintressant förstås, men många springer onekligen på samma bollar nu, konstaterar Göran Bergström.

Han är professor och överläkare på Sahlgrenska och huvudansvarig för den rikstäckande studien Scapis. I projektet har biologiska data och röntgenbilder samlats in från 30 000 svenskar över hela landet för att kartlägga deras hjärta, kärl och lungor. Insamlingen påbörjades 2014 och de sista proverna togs för bara några veckor sedan. Det enorma materialet är närmast världsunikt. En del av den fortsatta forskningen kommer att inkludera AI.

Dels kan man använda röntgenbilderna till att utveckla program för bildanalys. Programmet skulle då tipsa om saker i bilden som en radiolog annars kanske hade missat. Ett liknande program finns redan på Sahlgrenska, som gör det lättare att se om prostatacancer spridit sig till skelettet.

– Det bygger då på erfarenheter från tusentals tidigare undersökningar, som radiologer snabbt kan få tillgång till, säger Göran Bergström. Det här är alltså inte nya metoder, men i och med att datorkraften har ökat har de blivit mer intressanta.

LÄS MER:Så kan AI förvandla vården

Data har samlats in

Det andra stora användningsområdet är diagnosticering. En sjukdom som diabetes finns det till exempel mycket kunskap om. Om en algoritm fick i uppdrag att hitta mönster i all information skulle den kanske identifiera fem olika diabetestyper, istället för dagens två. Då skulle man kunna skräddarsy behandlingen med högre precision.

ANNONS

Det tredje användningsområdet ligger längre fram i tiden, tror Göran Bergström. Där handlar det om att använda hälsodata till att förutse vem som löper störst risk att drabbas av till exempel en stroke eller en hjärtinfarkt, och kanske till och med hinna stoppa det innan det sker.

Men den här utvecklingen kräver resurser. Göran Bergström tar bildanalys som exempel.

– Det som tar mest tid är att rita ut vad som är vad på röntgenbilden som datorn ska lära sig av. Man kan jämföra med bilindustrin. Där behöver någon markera vad som är en människa på en bild, för att en självkörande bil sedan ska kunna lära sig det. Det kräver inte så mycket kunnande att markera en människa. Att markera en särskild typ av fett på en röntgenbild kräver expertkunskap.

Uppgifterna i Scapis studie har samlats in i forskningssyfte, med deltagarnas medgivande. Eftersom patientdata i regel inte har samlats in med ett sådant tydligt syfte ser situationen annorlunda ut.

– Det här är en het fråga just nu, säger Göran Bergström. Att använda data till ren forskning bör inte vara något problem, det finns en struktur för det med etisk prövning. Om det sedan ska omsättas till kommersiella produkter är läget ett annat. Det är många som jobbar för att hitta en lösning på det här, för att komma underfund med hur de olika reglerna ska tolkas.

ANNONS

Utveckling i USA

"Maskininlärning är enkelt uttryckt matematik – man stoppar in en typ av data och får ut en annan", säger Mark Michalski som har uppdraget att bilda ett center för klinisk dataanalys i Boston.
"Maskininlärning är enkelt uttryckt matematik – man stoppar in en typ av data och får ut en annan", säger Mark Michalski som har uppdraget att bilda ett center för klinisk dataanalys i Boston.

Det problemet har man försökt hitta en lösning på i Boston, USA. Från Mark Michalskis trånga hörnkontor har man utsikt över Charles river, som utgör gränsen mellan Boston och grannstaden Cambridge. På ena sidan ligger Massachusetts General Hospital. På andra sidan floden skymtar toppuniversiteten MIT och Harvard, liksom en rad läkemedelsbolag. Ett bättre geografiskt läge för att slå ihop sjukvård och avancerad teknik finns knappt. Trots det är det först de senaste två åren som utvecklingen verkligen tagit fart. Då fick Mark Michalski i uppdrag att bilda ett center för klinisk dataanalys, inom ramen för de två partnersjukhusen Massachusetts General Hospital och Brigham and Women’s Hospital.

– Vi är en del av sjukhusen, och hade lika gärna kunnat sitta på något av dem, säger han.

Att centret är som vilken avdelning som helst på sjukhusen gör att inga patientuppgifter behöver lämna sjukhusens digitala brandvägg. Det ger dem i princip fri tillgång till de stora mängder data som krävs för att utveckla smarta algoritmer. Allt sker i samarbete med stora teknikföretag som GM Health Care, processorleverantören Nvidia och mjukvaruutvecklaren Nuance. Programmen skapas av sjukhusens egna ingenjörer, men med stöd av de kommersiella partnerna.

– De kan till exempel hjälpa oss med hur vi ska formge en lösning. Maskininlärning är enkelt uttryckt matematik – man stoppar in en typ av data och får ut en annan. Men för att visualisera det krävs vissa verktyg, som vi inom vården oftast inte har, säger Mark Michalski.

ANNONS

En konkurrensfördel

Och sedan får GM sälja det ni har utvecklat?

– Ja, det är ett standardavtal. När ett verktyg utvecklas inom vården, om det så är ett läkemedel eller en algoritm, så licensierar man ut det till ett företag som kan kommersialisera produkten. Så vi bygger verktyget tillsammans, och sedan tar vår samarbetspartner ut verktyget till världen.

Ett återstående problem är att mindre teknikföretag lätt hamnar på efterkälken. Mark Michalski har själv varit utvecklare i startup-företag och vet hur frustrerande det kan vara att inte få tillgång till den data man behöver. Nu är det han själv som måste förklara för ivriga IT-entreprenörer varför sjukhusen måste vara så försiktiga med sina patientuppgifter.

– Och då har vi ändå inte GDPR här. Det har gjort det ännu mer komplicerat att dela med sig av data, även för oss om vi skulle samarbeta med aktörer i Europa. Eftersom man inte riktigt vet hur GDPR påverkar är det många som backar undan från det.

Lina Strand Backman håller med om att små företag kan uppleva samarbetet med vården som tufft.

– De kan ha en konkurrensfördel i att de är snabbfotade. Samtidigt är vi en stor region. En liten startup kanske inte har möjlighet att leverera till hela regionen. Småföretag har en utmaning, det är inget snack om att det. Det är därför vi försöker skapa en struktur som ska gagna alla på lika villkor, genom Sahlgrenska Science Park, AI-centret på Lindholmen och att vi på Innovationsplattformen kan fungera som guider.

ANNONS

Fördjupa dina kunskaper på GP Live

GP Live är journalistik på scen. Den 8 nov anordnas ”AI – den fjärde industriella revolutionen” på Auktionsverket Kulturarena, där näringslivsreportrarna Marie Kennedy och Valdemar Lönnroth intervjuar forskare och experter om artificiell intelligens och framtidens jobb.

För mer information besök: gp.se/live

comments

Kommentarer

Vad tycker du?

Här nedan kan du kommentera artikeln via tjänsten Ifrågasätt. Märk väl att du behöver skapa ett konto och logga in först. Tänk på att hålla god ton och att inte byta ämne. Visa respekt för andra skribenter och berörda personer i artikeln. Inlägg som bedöms som olämpliga kommer att tas bort och GP förbehåller sig rätten att använda kommentarer i redaktionellt innehåll.

ANNONS