Skip to main content

Kunstig intelligens: krystalkugle eller sæbeboble?

Ukritisk artikel i Ugeskriftet bibringer læseren en forvansket opfattelse af mulighederne ved kunstig intelligens, skriver debattør. Læs også chefredaktørens svar.

Niels Henrik Hjøllund
Overlæge, professor
E-mail: nhhjollund@gmail.com

10. aug. 2017
5 min.

Artiklen om kunstig intelligens [1] beskriver et projekt på Regionshospitalet Horsens og tegner et billede, hvor kunstig intelligens kan forudsige, hvem der bliver indlagt med henblik på tidlig intervention. At metoden virker, ved man åbenbart, inden man går i gang, for ifølge artiklen er praktiske aspekter, lovgivning og manglende mod de største forhindringer for den efterfølgende implementering.

Faktaboks

Fakta

 

Som for enhver screeningsmetode står og falder projektet i Horsens på sensitivitet, specificitet og prædiktiv værdi – begreber, som projektgruppen måske mener hører under, hvad der omtales som ”gammeldags kohortebaseret forskning”. Uanset hvilken metode der anvendes til at udvælge patienter til intervention, er det disse ”gammeldags” mål, som enhver screening nødvendigvis skal bedømmes på. Så lad os se dem først.

 

Kunstig intelligens er på fremmarch på en række meget specifikke områder, og beslutningsstøttesystemer bliver gradvist bedre [2-7]. Men kunstig intelligens bliver ikke en krystalkugle. Ugeskriftet refererer i samme nummer en perspektivartikel herom, som vurderer, at området ”now rides atop the peak of inflated expectations”, og konkluderer blandt andet, at ”clinical data alone have relatively limited predictive power for hospital readmissions” [8].

 

Selvforherligelse og fravær af selvkritisk sans er desværre karakteristisk for en sværm af projekter som starter op – og søger penge – med tidens modeord. Nu er det ”big data”. Ordet ”unik” bruges flere gange om projektet i Horsens. Artiklen er aldeles ukritisk og bibringer læseren en forvansket opfattelse af mulighederne. Ved at bringe artikler som denne, og endda med en kæk forsidehenvisning til vores angiveligt manglende mod, er Ugeskriftet med sin autoritet i høj grad med til at understøtte projektet.

 

Det er mit indtryk, at man hører mindre om ”unikke” projekter, når de er færdige. Hvor mange bliver efterfølgende implementeret? Eller har projektmagerne skyndt sig videre til deres næste ”unikke” projekt? Det burde være en sag for Ugeskriftet at gå ti år tilbage og sammenholde superoptimistiske projekter med, hvad der skete sidenhen. Telemedicin vil være et rigtigt godt sted at starte.

 

Referencer

1. Felholt L. Kunstig intelligens kan revolutionere sundhed. Men det kræver, at vi tør. Tør vi? Ugeskr Læger 2017;179:1284-8.

2. Wang S, Summers RM. Machine learning and radiology. Med Image Anal 2012;16:933-51.

3. Chen Y, Elenee Argentinis JD, Weber G. IBM Watson: How cognitive computing can be applied to big data challenges in life sciences research. Clin Ther 2016;38:688-701.

4. Wei L, Zou Q. Recent progress in machine learning-based methods for protein fold recognition. Int J Mol Sci 2016;17:10.3390/ijms17122118.

5. Swerdlow DR, Cleary K, Wilson E et al. Robotic arm-assisted sonography: review of technical developments and potential clinical applications. AJR Am J Roentgenol 2017;208:733-8.

6. Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism 2017;69S:S36-S40.

7. Arnaud M, Begaud B, Thurin N et al. Methods for safety signal detection in healthcare databases: a literature review. Expert Opin Drug Saf 2017;16:721-32.

8. Chen JH, Asch SM. Machine learning and prediction in medicine – beyond the peak of inflated expectations. N Engl J Med 2017;376:2507-9.