Skip to main content

Kunstig intelligens kan revolutionere sundhed. Men det kræver, at vi tør. Tør vi?

Kunstig intelligens kan forudsige, hvem der bliver akut indlagt, stille mere præcise diagnoser og udvikle ny medicin på rekordtid. Teknologien kan allerede i dag revolutionere sundhed, men manglende mod og rettidig omhu forsinker os i at udnytte dens potentiale. Eksperter forklarer her, hvad kunstig intelligens kan udrette for os. Og hvorfor vi holder igen.

Line Felholt, kontaktlinef@gmail.com

21. jul. 2017
15 min.

Ding. Lyden af en ny mail. Men måske mere end det.

”Kære Line Felholt. Du indkaldes hermed til forebyggende behandling af det hjerteanfald, som vores computer fortæller os, at du med meget stor sandsynlighed vil blive indlagt med inden for det næste år”.

Hvis sådan en mail lyder som noget, du som læge aldrig kommer til at sende ud, så tager du formentlig fejl. Teknologien, der gør det muligt at forudsige alvorlig akut indlæggelse, afprøves netop nu, lige her i Danmark, på Regionshospitalet Horsens.

”En mindre mængde borgere lægger et massivt pres på sundhedsvæsenet. Vi undersøger, om kunstig intelligens kan hjælpe os med at finde de patienter, før de bliver hyppige gengangere hos os. Så vi kan tilbyde dem et bedre interventionstilbud og dermed et bedre liv. Og så vi som hospital og kommune kan koncentrere os mere om dem, der har endnu mere brug for os”, forklarer cand.oecon., eMBA Gitte Friis Kjeldsen.

Hun er projektleder på et unikt forskningsprojekt, der lige nu foregår på Regionshospitalet Horsens. Hospitalet har fået lov til at samle store mængder data fra 170.000 voksne i optageområdet – alt fra ambulante hospitalsbesøg, indlæggelser og kontakter til praktiserende læge til diagnoser og medicinudskrivninger og endda socioøkonomiske oplysninger fra kommunen. Alt sammen for at en computer ved hjælp af kunstig intelligens kan finde frem til personer med høj risiko for akut indlæggelse inden for et år.

”Første led i projektet er at lave en risikoprofil på borgerne. Næste led er at afprøve hensigtsmæssige interventioner, før borgerne får brug for indlæggelse”, forklarer Mette Trøllund Rask, cand.scient.san., ph.d. og sundhedsfaglig forsker ved projektet i Horsens.

Når databearbejdningen i Horsens ikke bare er god gammeldags kohortebaseret forskning, men ligefrem kan kaldes maskinlæring og kunstig intelligens, skyldes det følgende: Når klassisk epidemiologisk forskning laver et populationsbaseret studie, sættes der først en hypotese op, som forskerne søger at be- eller afkræfte. I Horsens leder man efter ikkehypotesedrevne sammenhænge. Med maskinlæring udvikles en algoritme på baggrund af alle de indsamlede data. Håbet er at finde prædiktorer for akut indlæggelse, som ikke er styret af forskeres hypoteser.

”Groft sagt er det alene tallene, der taler”, siger Gitte Friis Kjeldsen.

I Danmark er både computerkraften og dataene til stede. Vi har en helt unik tradition for dataregistrering. Derfor har vi også et særligt potentiale for at udnytte kunstig intelligens i Danmark. Information Engineer Simon Holm Lauritsen, Enversion

Drug discovery og precision medicine

Sundhedsområdet er en yndet scene for kunstig intelligens-projekter. IBM’s supercomputer Watson har forsøgsvist stået på Rigshospitalets kræftafdeling. Her gav den behandlingsforslag i fiktive patientforløb, men forslag, som den var blevet trænet til at give på baggrund af virkelige (anonymiserede) patientdata. Lægerne kunne derefter holde Watsons anbefalinger op mod deres egne vurderinger. Watson var blandt andet i stand til at læse og forstå al engelsksproget forskning – 80 millioner sider i sekundet – og derfor også begrunde sine anbefalinger med baggrund i den forskning, der til enhver tid er tilgængelig. Men da Watson var trænet på amerikanske retningslinjer, anbefalede den i flere tilfælde behandlingsformer, som ikke er godkendt eller anvendes i EU.

”Watson skal lokaliseres og tilpasses til de danske retningslinjer, før den kan bruges herhjemme, hvilket er helt forventeligt. Men i Asien og i USA, hvor kræftbehandlingen er langt mere fragmenteret end herhjemme, spiller Watson allerede en vigtig rolle og løser et kompetencegab”, siger Peter Mortensen, Watson Health Executive fra IBM.

Kunstig intelligens kan allerede i dag speede udviklingen af ny medicin op ved, at computere overtager meget af det langsommelige testarbejde, der foregår i laboratorier. Blandt andet arbejder DTU og den danske bioteknologivirksomhed Evaxion på at udvikle en MRSA-vaccine ved hjælp af kunstig intelligens.

Drug discovery er et af de mest fantastiske eksempler på, hvad kunstig intelligens kan gøre. De almindelige lab trials er skåret drastisk ned ved at lave web trials i stedet. Kunstig intelligens kan virkelig accelerere drug discovery”, siger Anders Kofod-Petersen, der er professor i kunstig intelligens ved Norges Teknisk-Naturvidenskabelige Universitet og vicedirektør i Alexandra Instituttet, som hjælper offentlige og private virksomheder med at anvende den nyeste it-forskning og teknologi.

På samme måde kan kunstig intelligens være med til at styrke precision medicine for eksempel på kræftområdet, hvor IBMs Watson kan kigge gendatabaser igennem og komme med forslag til, hvilket præparat en svulst med en bestemt genmutation skal behandles med.

Et sidste område, hvor kunstig intelligens kan gøre en forskel, er forskning. Det er ikke så mange år siden, at forskere på den gode gammeldags facon fandt en genetisk markør for brystcancer.

”Der laves så mange gode, randomiserede, kliniske forsøg på lidt over 1.000 personer, som senere viser sig at være forkerte, når man laver et metareview. Med maskinlæring kan vi læse millionvis af menneskers data i stedet for blot et par tusinde og opdage sammenhænge, som vi slet ikke var klar over. Vi kan finde genetiske eller sågar miljømæssige markører for så mange andre ting ved at bruge kunstig intelligens”, siger Anders Kofod-Petersen.

Fra kodning til læring

Når det overhovedet er muligt at bruge kunstig intelligens som teknologi, skyldes det, at computere særligt i de senere år kan lagre store mængder data.

”Selv om man opfandt de første spæde algoritmer til kunstig intelligens helt tilbage i 60'erne, var computerne alt for langsomme. Men de sidste fem år har det virkelig rykket sig”, siger Information Engineer Simon Holm Lauritsen fra Enversion, et firma, der udvikler it-systemer til beslutningsstøtte i sundhedssektoren.

Nye store supercomputere er lavet til at tygge sig igennem enorme mængder data. Og det er præcis, hvad vi har i Danmark.

”I Danmark er både computerkraften og dataene til stede. Vi har en helt unik tradition for dataregistrering. Derfor har vi også et særligt potentiale for at udnytte kunstig intelligens i Danmark”, siger Simon Holm Lauritsen.

Man kan opdele maskinlæring i to kategorier: superviseret læring og usuperviseret læring. Den primære forskel imellem de to læringstilgange består i, om algoritmen anvender mærket eller umærket data. Ved superviseret læring trænes maskinlæringsalgoritmen i at forbinde data med bestemte mærker. Ved usuperviseret læring er der ingen mærker, der fortæller computeren, hvad der er rigtigt og forkert. I stedet forsøger algoritmen selv at finde den underliggende fordeling.

I sundhedssektoren er det superviseret maskinlæring, når radiologer allerede i dag bruger dikteringssystemet Max Manus, som er en talegenkendelsesalgoritme, der fra fabrikken er trænet med et mærket datasæt. Ord og sætninger er annoterede med tekst, som fortæller algoritmen, hvilke ord der hører til de forskellige lyde. Når klinikeren tager systemet i brug og begynder at diktere, kobler computeren klinikerens lyde til ord og lærer derved hans eller hendes lyde at kende.

Den anden form for maskinlæring – den usuperviserede – foregår endnu mest på forskningsplan. For eksempel når en forsker bruger usuperviseret maskinlæring til at gruppere patienter med knogleskørhed i naturlige risikogrupper.

”At computere selv udleder regler og derfor selv kan løse problemer, er revolutionerende. Vi går lige nu fra maskinkodning til maskinlæring”, fortæller Simon Holm Lauritsen, der skriver på et kapitel i en lærebog om kunstig intelligens på sundhedsområdet.

Anonymisering er et ingeniørproblem

Men med brugen af big data og kunstig intelligens følger også en lang række etiske spørgsmål. Helt i centrum er spørgsmålet: Hvem skal kontrollere og eje hvilke data, og hvem skal have adgang til hvad, hvornår, hvordan og hvorfor? Nonprofitorganisationen Data for Good Foundation arbejder netop med at løse dette spørgsmål.

Fakta

Fakta

”Der genereres enorme mængder af data om os hele tiden. Data, der lagres mange forskellige steder. Ingen har et samlet overblik over deres egne data. Ingen ved, hvem der har adgang til hvilke data om dem”, siger Annemette Broch, stifter af Data for Good Foundation.

Organisationen arbejder ikke for at forhindre brugen af data, men for at sikre, at borgerne får ejerskab til og kontrol med egne data samtidig med, at data kan blive brugt værdiskabende i et etisk forsvarligt setup.

”Ejerskab over egne data vil bane vejen for, at borgere for eksempel kan dele eller donere deres data til forskning eller med private aktører, når det giver mening – til gavn for egen og andres sundhed. Hvorfor ikke have mulighed for selv at bestemme, om forskere eller private virksomheder må bruge mine data – og hvad de må bruge dem til?”, siger Annemette Broch.

Alexandra Instituttets Anders Kofod-Petersen sympatiserer fuldt ud med den tradition, vi har i Danmark for beskyttelse af persondata, så viden om borgerne ikke kan udnyttes til kommercielt formål. Men han kalder det også et ”ingeniørproblem”, som kan løses.

”Frygten for, at data kan kobles til specifikke individer, kan vi løse. Det skulle da være nemt at udvikle noget software, der anonymiserer vores data, så de kan blive brugt til forskning”, siger Anders Kofod-Petersen.

I Danmark har vi ifølge Annemette Broch alle muligheder for at gøre ”det her rigtigt” før alle andre, fordi vi har helt unikke registerdata, som kan kobles sammen via vore CPR-numre. De fleste andre lande har historisk ikke samme tradition for at registrere borgernes sundhedsdata. Derfor kan de alligevel godt overhale os indenom. Men de har ikke nær så gode sundhedsdata endnu. Så hvis de overhaler os, bliver det med et dårligere "produkt".

”Ja, der er mange faldgruber, som vi skal have styr på. Men hvis ikke vi går i gang nu, så kommer vi til at sidde på verdens største sundhedsdatakirkegård. Data i sig selv har ingen værdi – det er bare data. Det er først, når vi kombinerer forskellige relevante data og tilsætter kunstig intelligens, at det bliver værdifuldt”, siger Annemette Broch.

Derfor foreslår man i Data for Good Foundation, at ”dataejerskabet tages ud af ligningen”. Med det menes, at hvis borgerne selv får overdraget retten til at kontrollere deres egne data, er der ikke længere noget for hverken staten eller erhvervslivet at kæmpe om. I stedet kan man gå i gang med at bruge data på tværs af aktører til glæde for både borgeren selv, det offentlige og det private erhvervsliv. Alt sammen i et kontrolleret økosystem med borgeren i centrum.

”Får vi gjort det, vil sundhedsdata og kunstig intelligens kunne blive en kæmpestor eksportvare for Danmark. Den nye nordsøolie. Men det kræver, at vi giver dataejerskabet tilbage til borgerne”, siger Annemette Broch.

Undgå alt for sorte bokse

Frygten for at parre kunstig intelligens og store mængder data handler ikke kun om personfølsomhed. Selve teknologien skræmmer også. Maskiner skal ikke blive klogere end mennesker, ligesom maskiner ikke skal behandle patienter. Især ikke hvis vi ikke forstår maskinens bevæggrunde.

”Nogle af de mest avancerede algoritmer er meget black box-agtige. De kan være så avancerede, at vi ikke forstår de kausale sammenhænge. Det vil være en udfordring for en læge at forklare rationalet bag en behandling, hvis han ikke selv forstår kausaliteten”, siger Enversions Simon Holm Lauritsen, der selv lever af at udvikle it-systemer til sundhedsvæsenet.

Af samme grund forskes der i at udvikle metoder, der dekoder algoritmerne, så lægen for eksempel kan spørge maskinen: "Hvorfor tog du den beslutning?".

”Den gennemsigtighed er nødvendig, hvis vi skal have tillid til maskinlæring. Det er heldigvis ikke et uløseligt problem. Men det er vigtigt, at vi ikke bare kaster de mest avancerede black boxes efter sundhedsvæsenet. Ja, vi vinder lidt ved at bruge de mest lukkede black boxes, men hvis man ikke forstår rationalet bag en behandling, så får teknologien aldrig accept fra klinikerne”, erkender Simon Holm Lauritsen.

Den mistro til kunstig intelligens handler dog formentlig om noget helt andet. Nemlig om jobsikkerhed. Professor i data science Ole Winther, Kognitive Systemer, DTU Compute, mener, at meget af frygten for kunstig intelligens stammer fra, at mange projekter bliver startet med et forkert formål.

”Intelligente systemer kan og skal ikke overtage menneskers arbejdsfunktioner 100 procent”, fastslår han.

Der er masser af opgaver i sundhedsvæsenet, hvor tingene kan gøres bedre ved at implementere intelligente værktøjer, som støtter og komplementerer læger og sygeplejersker, mener Ole Winther. Han har selv været med til at udvikle algoritmen i søgemaskinen findzebra.com. Her indtaster lægen patientens symptomer, hvorefter maskinen ved hjælp af kunstig intelligens søger og sorterer i enorme mængder information om sjældne sygdomme fra forskellige kilder på nettet, for at finde et mønster og så komme op med et antal forslag til, hvilke sygdomme der kan være tale om.

”Det er ikke muligt for lægen at huske alle sygdomme og tilhørende symptomer udenad. Det er heller ikke nødvendigt, for det er ikke særlig svært at lave en algoritme, som spytter 20 forslag tilbage, som lægen med sin faglighed forholdsvist hurtigt kan kigge igennem og sige: ,Ja, de tre første var også mit bud, nummer fire og fem er noget sludder, men nummer seks havde jeg ikke selv tænkt på’”, forklarer Ole Winther om onlineværktøjet.

”Maskinen hjælper, men lægen er stadig den ultimative beslutningstager”, påpeger han.

Human-machine team

Et patologisk forskningsstudie fra 2016 viste netop, hvad der sker, når kunstig intelligens parres med menneskelig intelligens. Forsøget undersøgte, hvor præcist henholdsvis maskinlæring og radiologer af kød og blod kunne finde kræft i vævssnit. Radiologerne havde en fejlrate på 3,5 procent. Maskinens fejlrate var 7,5 procent. Men når man kombinerede de to, var fejlraten pludselig 0,5 procent.

”Når computeren fandt en vævsprøve og sagde: ,Kunne det her være en knude, hvad siger du?’, så kiggede radiologen på den. Og den anden vej: Lægen kunne trykprøve sin vurdering op imod computeren. Det boostede præcisionen”, fortæller Simon Holm Lauritsen fra Enversion.

Men der er også andre grunde til, at kunstig intelligens snarere skal ses som sparring end jobovertagelse. Kunstig intelligens opnås typisk ved, at det er eksperter, der træner computeren op til at kunne forstå et specifikt område. For eksempel ved at fodre den med patientdata, røntgenbilleder eller gennem direkte input.

”Maskinerne lærer ud fra træningsdata, og de mest oplagte træningsdata er nu engang eksperters beslutninger. Derfor fodrer man maskinen med de symptomer, diagnoser og behandlinger, som fagpersoner er kommet frem til. Maskinen lærer altså at imitere eksperterne, og vi ved jo alle, at konsensus fra 100 eksperter er bedre end en ekspert”, påpeger Ole Winther.

Også Watson er trænet af radiologer, så den selv til sidst kan ræsonnere sig frem til, hvad den ser ved mammografier.

”Watson kan hjælpe med at skille alle de mammografier fra, hvor der ikke er en knude på, så radiologen kun skal kigge på de mammografier, hvor maskinen har fundet noget”, forklarer Peter Mortensen fra IBM.

”Så når man som kliniker sparrer med en algoritme, så sparrer man med alle de valg, som dygtige klinikere har taget før en selv. Man indgår som læge eller sygeplejerske i en slags human-machine team,” siger Simon Holm Lauritsen fra Enversion.

Pligt til at handle?

På Regionshospitalet Horsens er forsøget på alle måder unikt. Ingen andre forsøg med kunstig intelligens har fået lov at bygge så stor en database op med patientdata. Forsøget er derfor på alle måder et kig ind i den fremtidige brug af data, som vi endnu er langt fra at implementere, men som allerede nu er teknisk mulig.

Men selv om projektet skulle vise sig at være en succes – at man med maskinlæring rent faktisk kan finde de borgere, der med stor sandsynlighed vil blive indlagt akut inden for det næste år – er ingen af de etiske, juridiske, regulatoriske eller praktiske forhindringer løst.

”Hele implementeringsdelen, hvordan teknologien skal anvendes i klinikernes hverdag, har vi slet ikke styr på endnu. Der er en masse sundhedsfaglige, etiske og praktiske aspekter, som ikke er afklaret”, forklarer Lise Viskum Hansen, cand.oecon og chefkonsulent på projektet i Horsens, hvor man arbejder tæt sammen med mange faggrupper – herunder klinikere – om at finde muligheder for teknologiens anvendelse i praksis.

Adgangen til data efter forsøgsperioden og det faktum, at hospitalet ikke må kontakte borgere uden først at have deres samtykke, er eksempler på forhindringer for en efterfølgende implementering af teknologien fra forsøget i Horsens.

”Spørgsmålet er jo, når vi ved, hvilke borgere der med stor sandsynlighed vil blive akut indlagt inden længe, hvor og hvordan skal vi så fiske borgeren op? Det ved vi ikke endnu. Der er jo også det etiske aspekt i, at når vi har det kendskab til borgeren, har vi så ikke en pligt til at handle?”, siger projektleder Gitte Friis Kjeldsen.

Ifølge Anders Kofod-Petersen, Alexandra Instituttet, er det en direkte synd, hvis sundhedsvæsenet i Danmark ikke får styr på de mange forhindringer for at bruge kunstig intelligens.

”Der er behov for at stille det omvendte etikspørgsmål: Kan vi være bekendt, når et menneske møder sygt op på sygehuset, at vi så siger: ,Vi har ikke tænkt os at bruge al den tilgængelige information, vi har, for at hjælpe dig bedst muligt – for vi kan ikke etisk tillade et system, der kigger i andre folks journaler for at hjælpe dig’? Dermed siger vi jo aktivt, at vi ikke er interesserede i at levere den bedst mulige behandling. Det er for mig en meget stor synd”, siger Anders Kofod-Petersen.

Læs også medicinsk nyhed: Brug af ”big data” og ”machine learning” indenfor lægevidenskab er ikke uden problemer

Læs også: Dansk registerforskning trues af Sundhedsplatformen

Læs også: Kunstig intelligens i klinikken

Læs også: Hovedstaden og IBM i aftale om kunstig intelligens

Læs også: Regioner: Milliarder til kunstig intelligens