Kunstig intelligens kan løfte kræftområdet, men vi må ikke miste vores gode samarbejdsvaner i ren begejstring

Kunstig intelligens (AI) er et varmt emne. Brandvarmt. Teknologien flytter ind i vores dagligdag, både som et redskab i privaten og på jobbet. Sådan oplever mange i sundhedsvæsenet også, at teknologien trænger sig på, ofte med lovning om guld og grønne skove. Der er skrevet et utal af konsulentrapporter og salgsoplæg, der peger på gevinster, der kan høstes, og teknologier, der – som hyldevarer – »bare« kan indkøbes og indføres. 

Det er oplagt, at AI skal spille en rolle i sundhedsvæsenet: Danmark er et gennemdigitaliseret land, så vi har både data og viden til at drage nytte af avanceret teknologi. Og hvis AI kan hjælpe i et presset sundhedsvæsen, er vi mange, der gerne vil tage imod hjælpen.  

Vi mener desuden, at kræftområdet er en oplagt spydspids, fordi området er storforbruger af diagnostiske ydelser og samtidig kendetegnet ved en høj grad af national konsensus og ensartethed i klinisk praksis. Men hvis vi skal udleve potentialet og undgå at underminere veletablerede strukturerer, skal vi gøre det klogt. Det dur ikke, at vi hver især blindt smider hyldevarer og impulskøb ned i indkøbskurven, hvis vi bliver ved analogien. 

Vi har i Danish Comprehensive Cancer Center (DCCC) en ambition om at bidrage til, at udviklingen og implementeringen af AI på kræftområder sker i en koordineret og valideret national indsats, så alle danske patienter med kræft får samme adgang til høj og ensartet kvalitet i deres behandlingstilbud.

I et samarbejde med flere af landets førende fageksperter udgiver vi derfor i dag en rapport om klinisk anvendelse af AI på kræftområdet. Vi dykker ned i en række cases fra fagområder, hvor AI er godt på vej til at blive en integreret del af den kliniske hverdag. Vi peger også på væsentlige barrierer, der spænder ben for løsningernes sidste del af rejsen fra forskning til klinik.

Teknologien er allerede flyttet ind

I rapporten præsenteres eksempler på AI i diagnostik (radiologi, patologi), organindtegninger ved stråleterapi samt risikostratificering inden for kirurgi og hæmatologi. 

Inden for billeddiagnostik ses der i rapporten på eksemplet fra brystkræftscreening, hvor AI analyserer mammografibilleder og identificerer potentielle kræfttilfælde. Her reducerer AI markant tiden, der bruges på at granske billeder, og kan erstatte den ene af to radiologer i det nuværende setup. Det er en reel hjælp til et område, hvor manglen på brystradiologer har presset screeningskapaciteten. AI har også potentiale til at lette den radiologiske byrde, der må forventes i forbindelse med pilotafprøvningen af lungekræftscreening.  Et andet diagnostisk speciale, som oplever øget behov for analyser, er patologien. Da patologien kun er gennemdigitaliseret i én af landets fem regioner, er der et stykke vej, inden AI-løsninger kan implementeres nationalt inden for patologien.

Hvor AI-modellerne i radiologien ofte er udviklet af industrien, er der inden for stråleterapien etableret større forskningsgrupper og projekter, der viser vejen for nationale investigator-initierede AI-løsninger – det, vi kalder uafhængige AI-produkter. Teknologien vinder her særligt indpas i forbindelse med behandling af medicinske billeder som CT, MR-skanning og PET. Den mest veludviklede anvendelse er brug af deep learning til automatiseret indtegning af organer og anatomiske strukturer. DCCC og de Danske Multidisciplinære Cancer Grupper (DMCG’er) har i en serie af workshops udviklet et nationalt, valideret atlas i overensstemmelse med de kliniske retningslinjer. Disse indtegninger giver det bedst mulige grundlag for at træne og validere AI-modeller, idet de både indeholder best practice-indtegninger samt et mål for, hvor præcist en gruppe læger kan indtegne et organ.

Risikostratificering er et område med stort potentiale på tværs af specialerne, om end der er tale om et felt, der er tidligt i udviklingsfasen. Vi ser i de danske forskningsmiljøer flere konkrete eksempler på udviklingstendenserne. I kirurgien afprøves lige nu en prædiktionsmodel, der er udviklet på store mængder kliniske data til at risikostratificere patienter og herudfra hjælpe kirurger med at selektere patienter med tyk- og endetarmskræft til forskellige, optimerede behandlingsforløb. I hæmatologien har fokus på risikostratificeringen bibragt indsigter, som kan identificere patienter med kronisk lymfatisk leukæmi, der er i særlig risiko for at udvikle en alvorlig infektion og/eller har behov for tidlig behandling.

Der er med sikkerhed flere områder med potentiale, også uden for kræftområdet. Men der er også væsentlige barrierer for den klinisk anvendelse.

Kunstig intelligens snubler over de regulatoriske rammer 

Forskere, der ønsker at omsætte AI-løsninger til klinisk praksis på tværs af landets hospitaler, oplever udfordringer med de regulatoriske rammer. Et AI-drevet beslutningsstøttesystem betragtes i udgangspunktet som medicinsk udstyr og er dermed reguleret af en EU-forordning. Og modsat tiden før EU-forordningen er det i praksis ikke længere muligt selv at stå for den CE-mærkning, som kræves for medicinsk udstyr. En anden konkret udfordring drejer sig om muligheden for at anvende selvlærende AI.

Der er derfor en reel risiko for, at de uafhængige AI-produkter bliver for længe under en forskningsparaply, hvor man med patientsamtykke lovligt kan anvende algoritmen til at forbedre behandlingen og frigøre ressourcer i driften. Det lyder tilforladeligt, men er ikke en hensigtsmæssig måde at bruge de begrænsede forskningsressourcer på.  

Strategi og samarbejde er vejen frem

Den danske model på kræftområdet, der er baseret på (gode) danske data, innovativ multidisciplinær forskning og konsensusdrevne kliniske retningslinjer, er afgørende for, at patienterne i dag oplever en ensartet høj kvalitet i diagnostik, behandling og opfølgning på tværs af landet. Ambitionen om, at hverken postnummer eller socioøkonomiske forhold skal afgøre den faglige kvalitet i den enkeltes kræftforløb, er en væsentlig byggesten i DCCC’s DNA. Det er væsentligt, at vi, også når det drejer sig om den kliniske anvendelse af AI, bygger videre på eksisterende strukturer frem for at underminere dem. Men hvordan sikrer vi det?  

Vi mener, at der er brug for at gøre to ting.

For det første skal vi bruge den infrastruktur, vi allerede har, til at sikre samarbejde på tværs. Vi har nemlig stærke strukturer, som vi kan bygge på, i form af DMCG’erne, bio- og genombanker samt databaseinfrastrukturer. Dem må vi ikke glemme, heller ikke selv om udviklingen går stærkt, og optimismen kan friste os til at fokusere ensidigt på lokale løsninger. 

For det andet er der behov for en national strategi for området. For ja, erfaringer viser, at brugen af AI kan bidrage til både at frigøre ressourcer og øge kvaliteten. Men ønsker vi at forløse potentialet, handler det ikke bare om at styrke implementeringskraften. Det er afgørende, at de eksisterende siloer i sundhedsdatainfrastrukturen nedbrydes, gerne til fordel for en fælles national platform, hvorpå relevante aktører kan bygge digitale løsninger. Der er brug for en digital infrastruktur, der kan sikre en bedre og hurtigere måling af f.eks. behandlingseffekten via datahøst i de elektroniske patientjournaler. Her tilslutter vi os Life Science Rådets anbefalinger til regeringens kommende strategi for området.  

Formår vi at implementere AI strategisk og bygge videre på vores solide samarbejdsstrukturer, er det vores overbevisning, at teknologien kan frigøre ressourcer og komme danske patienter med kræft til gavn.

Rapporten i sin fulde længde kan hentes på dccc.dk.