Det kliniske link mellem teknologien og patienterne

På rigtig mange måder er Mathis Ersted Rasmussens forskningsprojekt et godt eksempel på, hvad det er, der spiller så godt sammen mellem kræftområdet og udviklingen og implementeringen af AI-løsninger.

Mathis Ersted Rasmussen er ph.d.-studerende på afdelingen for Institut for Klinisk Medicin, Dansk Center for Partikelterapi (DCPT) på Aarhus Universitetshospital, og har bl.a. gennemført et projekt tilknyttet kræftafdelingen på AUH, der viser, hvordan AI kan bruges ved indtegning af risikoorganer ved hoved- og halskræft, så det både kan forbedre kvaliteten og frigøre betragtelige mængder af lægelige ressourcer.

Under danske forhold drejer det sig måske »kun« om en halv eller en hel time pr. patient, som lægen ikke behøver bruge på indtegning, fortæller Mathis Ersted Rasmussen, men projektet havde lige det nok så væsentlige aspekt, at det blev gennemført som et internationalt studie i 23 lav- og mellemindkomstlande på fem kontinenter – og så var tidsperspektivet et ganske andet:

»Når man snakker om, hvor meget sådan en brug af AI virkelig batter, så kan man f.eks. se på en af vores samarbejdspartnere fra projektet fra Costa Rica. Der har de op til seks ugers ventetid bare til første konsultation til stråleterapi. Efter seks uger i Danmark skulle man gerne være næsten halvvejs i sin behandling. Hvis de i Costa Rica kan barbere bare en uge af den ventetid, vil det sikkert kunne ses i overlevelsesstatistikken. Det er klart, at det ikke løser alle problemer – men man kan i hvert fald flytte nogle lægers arbejdstid fra indtegning til at kunne holde indledende samtaler med patienterne«, siger Mathis Ersted Rasmussen.

Netop et område som indtegning er et eksempel på, hvor der let og kontrollerbart kan sættes ind med AI-løsninger, mener han.

»Jeg tror på, at det er i automatiseringen af komplekse opgaver, der kan eftertjekkes, og hvor ting kan ses objektivt i data, at AI i første omgang kan gøre en forskel og overtage en stor del af rutinearbejdet, så lægerne i stedet kan bruge tid på de svære og komplicerede tilfælde. I analyser af billeder har vi eksorbitante mængder af billeder, som der findes beskrivelser på og indtegninger i, som man kan fodre algoritmerne med, og hvor man kan eftertjekke og vurdere kvaliteten af den kunstige intelligens’ arbejde og så rette til«, siger Mathis Ersted Rasmussen – og peger på, at det ud over stråleterapien er inden for patologien og radiologien, det er oplagt at tage fat.

At dele eller ikke dele

På den led flugter hans erfaringer med de vurderinger og anbefalinger, der fremlægges i den nye rapport fra DCCC om »Klinisk anvendelse af kunstig intelligens på kræftområdet«. Og der er andre projekter, der afsøger samme felt, som Mathis Ersted Rasmussen gør i sit:

»Dansk Brystcancer Gruppe laver et lignende studie på indtegning af områder, der skal bestråles – et nationalt, randomiseret forsøg, hvor patienterne vil få enten manuel eller AI-assisteret indtegning. Hvis det viser, at der ikke er nogen negativ forskel i kvaliteten af indtegninger, er det bare et spørgsmål om at få det rullet ud til alle andre cancersites – så kan vi jo nærmest automatisere den proces og frigive nogle af de mandetimer, der ellers bliver brugt på indtegning«, siger han.

Mathis Ersted Rasmussen er også stødt ind i de samme forhindringer, som DCCC-rapporten peger på: Data er der, men forskellige juridiske fortolkninger i regioner trækker tingene i langdrag, og på grund af EU-forordninger kan man heller ikke bare lige dele modeller.

»Faktisk er det nemmere at dele data end at dele modellen. Det er nemmere at dele selve data med kolleger på en anden afdeling, og så separat sende dem noget software, så de selv kan lave en model, som kan næsten det samme, og som altså er baseret på de samme data. Det er jo helt gakket, for der er ikke nogen kliniske data i selve modellen. Det er bare en algoritme – tal, som ikke på nogen måde kan regnes baglæns til noget personhenførbart. Men under kølerhjelmen er det formelt ikke den samme model, fordi den er lavet to forskellige steder. Så altså – det ender med at blive nogle lidt tåbelige krumspring, man skal lave for at nå en national konsensus om, hvordan vi gør tingene«, konstaterer Mathis Ersted Rasmussen.

Giv lægerne AI-ejerskab

Hans egen vej til at arbejde med AI-løsninger har været – en omvej. Han fik aldrig lært programmering i gymnasiet, selv om det egentlig interesserede ham, så det var først på et forskningsår efter bachelorgraden, hvor hans eget projekt var kuldsejlet, og han derfor i stedet kastede sig over at hjælpe sin kontormakker, at han fik det lært. Han »hobby-kodede« videre under kandidatforløbet, og efter 12. semester fik han i andet forsøg den ph.d.-uddannelse, han nu er ved at være igennem.

Til efteråret skal han starte i KBU – »jeg satser på en akutmodtagelse i Aarhus eller Randers« – men hvordan mulighederne for at arbejde videre med AI-løsninger er senere i lægekarrieren, er han usikker på. AI-speciallæge er vist ikke en titel, der kommer på bordet lige foreløbig, konstaterer han.

»Jeg gruer da for, at jeg ikke kommer til at bruge min viden fra ph.d.en så meget, hvis jeg fortsætter ad den helt traditionelle lægevej. Men på DCPT er vi på den anden side ved at køre en ny læge i stilling til at lave noget af det samme, som jeg gør, så det kan da være, det vender nu«, siger han – og peger på, at det ville give god mening at få flere læger til at arbejde konkret med udviklingen af AI-løsninger, så de kan være det kliniske link mellem teknologien og patienterne:

»Jeg synes, man skal åbne for muligheden for, at man som læge kan specialisere sig i – lad os kalde det anvendelse af avancerede algoritmer. Jeg har det meget svært med begrebet ,kunstig intelligens’ … Vi skal give klinikere mulighed for at dykke ned i et speciale, som simpelthen handler om det. Det er afgørende, at vi som læger tager ejerskab over og spiller en central rolle i arbejdet med AI-løsninger.

Jeg mener, man i fremtiden bør have en form for center eller afdeling på sygehuset, der har det som fokus. Et sted, man som læge kan gå til og få den helt specialiserede hjælp – ligesom man som læge gør med mikrobiologi, radiologi, biokemi og alle mulige andre ting. Behovet vil være der, og så kan man diskutere, hvordan det skal organiseres. Jeg tror, at det ville være en kæmpe fordel at samle det centralt og have både klinikere, dataloger, computer science-folk, bioinformatikere og andre teknikere i én enhed. Den kunne så også stille den nødvendige hardware til rådighed, så hver eneste lille afdeling ikke selv skal ud at investere for at implementere en given AI-løsning. Sådan er det er lige nu, og det er dyrt og ineffektivt«, siger Mathis Ersted Rasmussen.