1) Rigshospitalet, 2) Københavns Universitet, 3) Sjællands Universitetshospital, 4) Bispebjerg og Frederiksberg Hospital
Der er en god grund til, at det tager tid at ændre klinisk praksis. Systemet er indrettet sådan med vilje. En ny idé testes først i laboratoriet, derefter i mindre studier og siden i større lodtrækningsforsøg og metaanalyser. Først da kan den indgå i guidelines. Og selv herefter er arbejdet ikke slut. Nye anbefalinger skal opdages, accepteres, omsættes til lokale instrukser, bygges ind i it-systemer og bruges i en travl klinisk hverdag. Det er en tung maskine, men den har et formål: at beskytte patienter og sundhedsprofessionelle mod hype, forhastede konklusioner og fejl. Robustheden har dog en pris: begrænset kapacitet. Selv i kardiologien, et forskningstungt speciale, er kun 15% af de europæiske guidelineanbefalinger baseret på det højeste evidensniveau [1]. Systemet har ganske enkelt ikke kapacitet til at teste alt – allerede på nuværende tidspunkt. Samtidig er tidshorisonten lang. Tilgængelige skøn peger på, at der ofte går ni år fra initiering af undersøgelser i mennesker til optagelse i guidelines [2]. Bryder man forløbet ned, tager store lodtrækningsforsøg typisk omkring fire år, publicering omtrent ét år og efterfølgende guidelineoptagelse ofte yderligere omkring tre år. Efter guidelineoptagelse følger tiden til reel implementering i klinikken. Samlet er tidshorisonten ofte mere end et årti. Denne form for dokumentationsskabelse er grundig, robust og vil fortsat være nødvendig, når sikkerhed og effekt af nye lægemidler skal dokumenteres.
Personlig medicin og AI skaber ny viden i et tempo, der udfordrer vores lineære dokumentationsmodel. Nye biologiske fund, nye algoritmer, løbende versionsskift, nye undergrupper af sygdomme og nye datatyper opstår hurtigere, end systemet kan nå at vurdere dem. Klinikken efterspørger dokumentation, men når den endelig foreligger, kan teknologien allerede være videre. Der opstår derfor en risiko for at være notorisk bagud på den kliniske evidens, ligesom patienter vil undre sig over, at vi i sundhedsvæsenet vil benytte algoritmer, der f.eks. er fem år gamle, når de selv måske kan tilgå nyere online. Vi ser overordnet tre udfordringer, som adskiller udviklingen inden for personlig medicin og AI fra tidligere medicinsk innovation.
For det første: volumen. Der forskes mere, end systemet kan nå at validere. Den videnskabelige produktion vokser støt, og der udgives nu omtrent én million artikler om året inden for biomedicin (årlig generel vækst på 4%) [3]. Mere specifikt stiger antallet af initierede tidlige kliniske studier hurtigere end antallet af store fase 3-studier (opslag på Clinicaltrials.gov). Sidstnævnte er fortsat den primære flaskehals før bred implementering. Og intet tyder på, at denne udvikling er ved at ændre sig, hvilket forstærker implementeringskløften mellem det, vi kan opdage, og det, vi faktisk kan gøre til sundhed for patienter grundet dokumentationskapaciteten. Det rejser et centralt spørgsmål: Kan traditionelle randomiserede studier alene kvalitetssikre den eksplosive vækst i ny viden?
For det andet: Algoritmer er ikke statiske. En lægemiddeldosis ændrer sig ikke hvert kvartal. Det gør algoritmer. Nye træningsdata, versionsskift og ændrede patientpopulationer betyder, at et værktøj kan være veldokumenteret i én version, men utilstrækkeligt belyst i den næste. Hvis vi kræver et traditionelt lodtrækningsforsøg for hver opdatering, undergruppe og klinisk kontekst, bliver den traditionelle evidensskabelse hurtigt en praktisk og økonomisk flaskehals.
For det tredje: Guidelines bygger på befolkningsestimater, hvorimod personlig medicin i stigende grad bygger på individestimater. Den klassiske guidelinelogik undersøger, om behandling X i gennemsnit gavner en patientgruppe. Personlig medicin spørger derimod, om behandlingen netto gavner netop denne patient med disse gener, biomarkører, sygdomme og præferencer. Det udfordrer ikke kun vores behandlinger, men også selve formen på vores anbefalinger og dokumentationsrejsen i form af den måde, vi designer studier på.
Hvis vi fastholder, at næsten alt skal gennem den klassiske dokumentationsrejse, har det to mulige konsekvenser: Enten bliver nyttig viden aldrig omsat til behandling, eller også tages teknologien i brug, før den er ordentligt valideret. Spørgsmålet er derfor ikke, om lodtrækningsforsøg fortsat er vigtige. Det er de. Spørgsmålet er, om dokumentationssystemet kan indrettes, så det lærer hurtigere uden at give køb på ansvarlighed og transparens. En central udfordring er, at megen AI-dokumentation stadig bygger på retrospektive benchmarks og kuraterede datasæt [4], mens klinikere efterspørger noget andet: prospektiv afprøvning i reelle arbejdsgange med rigtige brugere og måling af kliniske konsekvenser. Vi skal altså ikke have mindre klinisk evidens. Vi skal have den på nye måder.
Der findes næppe én løsning, men flere nødvendige spor. Kapaciteten til de store traditionelle forsøg bør måske i højere grad reserveres til interventioner med stor forventet gevinst, høj risiko ved fejl eller stor implementeringsbyrde.
For det første må dokumentation kobles langt tættere til drift, prioritering og løbende læring i sundhedsvæsenet med bedre brug af data.
For det andet skal langt flere patienter indgå i evidensskabelsen. Vi bør gøre randomisering, pragmatiske forsøg og platformforsøg til en mere integreret del af sundhedsvæsenets driftsinfrastruktur. Her har Danmark et stærkt udgangspunkt – som det land i Europa med flest kliniske forsøg pr. million indbyggere. Vi tror, at denne position kan styrkes yderligere gennem enklere inklusion, lavere ekstra arbejdsbyrde og registeropfølgning via de unikke danske sundhedsdata. Det kræver et normskifte, hvor langt flere patientforløb bidrager til løbende læring, f.eks. indlejret i den elektroniske patientjournal, så behandlingen bliver bedre for de næste patienter.
For det tredje skal vi blive bedre til at benytte de data, vi allerede indsamler, dér hvor klassiske forsøg ikke kan skaleres til alle algoritmeversioner, undergrupper og kliniske situationer. Selv om observationelle analyser og moderne metoder inden for f.eks. kausal inferens (metoder til at estimere årsagssammenhænge) ikke kan erstatte randomiserede forsøg, kan de ofte bringe os tættere på det kliniske spørgsmål, der faktisk skal besvares. Det kræver datakvalitet, standardisering, robuste pipelines og klar governance.
Indenrigs- og Sundhedsministeriets vision for bedre brug af sundhedsdata [5] peger i den rigtige retning: Data skal i højere grad understøtte patientbehandlingen. Men det sker ikke af sig selv. Det kræver fælles standarder, klare arbejdsgange og tydeligt ansvar på tværs af klinikere, patienter, regioner, myndigheder, forskningsmiljøer, it-leverandører og industri. Måske er tiden inde til en centralt forankret enhed, der kan udvikle og vedligeholde den nødvendige forsknings- og datainfrastruktur: fra datakvalitet og monitorering til pragmatiske studieplatforme og løbende evaluering af algoritmer til klinisk beslutningsstøtte. Ikke som endnu et lag bureaukrati, men som en fælles motor, der gør det lettere for hvert speciale at omsætte data til sikker handling. Dette vil ikke alene styrke det specialiserede sygehusvæsen, men også muliggøre forskning, udvikling og implementering på tværs af sundhedsvæsenets sektorer i tråd med sundhedsreformens intentioner. Den traditionelle dokumentationsproces bør fortsat være guldstandarden dér, hvor den giver mest mening. Men personlig medicin og AI udfordrer et system, der er bygget til en anden tid. Hvis potentialet skal realiseres, må vi nytænke, hvordan evidens skabes. Ellers risikerer vi enten implementering uden tilstrækkelig dokumentation – eller at patienterne må vente unødigt længe på bedre behandling.
