TILLEGG

255 Kunstig intelligens (Artificial intelligence = AI, maskinlæring og “big data” i Revmatologi (REV 092)

Øyvind Palm

Læringsmål REV 092. Revmatologen skal ha god kunnskap om metodologiske og praktiske utfordringer ved gjennomføring av basalmedisinske og kliniske forskningsprosjekter og under veiledning bidra til forskningsaktivitet/kvalitetssikre informasjonsinnsamling.

Definisjon

Kunstig intelligens benytter mønstergjenkjenning i disse dataene til å lage nye formuleringer og hypoteser. Kunstig intelligens kan dermed allerede i dag gi oss nyttig støtte i diagnostisering og klassifisering av sykdommer. Den kan også være til hjelp i behandlingen av den enkelte pasient og bidra til effektivisering og bedre helsetjenester (Brøgger HMB, 2023). Metoden har også klare begrensninger, slik som feil i datagrunnlag, eller at utvalget ikke er representativt. I tillegg kan feil i analyseprogrammene og manglende evne til å analysere forhold utenom de tilgjengelige data være ulemper.

Terminologi innen kunstig intelligens (Krusche M, Rheumatologie kompendium, 2022)
Begrep Forklaring
Kunstig intelligens (artificial intelligence, AI) Computerbasert metode som etterligner menneskelige resonnement og tanker.
Maskinlæring Undergruppe av kunstig intelligens som ved hjelp av algoritmer identifiserer sammenhenger mellom data uten å være spesifikt programmert for dette. Metoden leverer tilnærmede/approksimerte resultater som svar på konkrete oppgaver.
Algoritmer Matematisk metode og beskrivelse av fremgangsmåte for utvikling av databaserte modeller.
Dybdelæring /deep learning) Del av maskinlæring der dype neuronale nettverk brukes for å bearbeide informasjon/data.
Nevronalt nettverk Algoritmer som ved nettverk-lignende eller lagvis struktur etterligner den menneskelige hjernen

Kunstig intelligens er informasjonsteknologi som justerer sin egen aktivitet og derfor fremstår som tilsynelatende intelligent. Den tar sikte på å etterligne menneskelig kognitive funksjoner. Maskin-læring er en undergruppe der dataprogrammet lærer med øvelse over tid ved prøving og feiling. Metoden har potensiale til sikrere diagnoser ved klinisk beslutningsstøtte og kan gi oss mer skreddersydde behandlinger (Pettersen KH, 2019). Kunstig intelligens kan brukes også til å generere tekst, samt illustrasjonsbilder av for eksempel ikke-eksisterende personer satt sammen av et utall publiserte data.

Illustrasjonen er laget ved bruk av kunstig intelligens i programmet DALL-E2/Palm Ø

Big data omfatter enorme mengder data innhentet fra multiple kilder. Jo større mengde data, desto bedre presisjon i resultatene. Det kan være kliniske data fra elektroniske journaler, helseregistre eller pasient-genererte fra app’er. I eksisterende journal- og spesialistsystemer finnes millioner av pasientforløp, bildeundersøkelser, observasjoner, funn i biomarkører, genetiske analyser og behandlinger som kan gi oss forståelse av sykdoms- og behandlingsprosesser (Vallevik BV, 2022; von Leeuwen JR, 2024). Biologiske variabler fra molekylær forskning, sosiale data fra sosiale nettverk og økologiske data fra forurensing, epidemier og atmosfæriske forhold kan kobles sammen og evalueres i algoritmer og brukes i ulike sammenhenger (Gossec L, 2020). Analysene kan fokusere på grupper av pasienter og vise nye, hittil ukjente sammenhenger, men også anvendes på den enkelte pasients forløp og således bidra til persontilpasset medisin. Et eksempel kan være å predikere behandlingsrespons av TNF-α hemmere ved revmatoid artritt ut i fra målt cytokinprofil (Shephard JLV, 2024).

Den raske utviklingen innen informasjonsteknologi med nye analyseteknikker og datakraft er årsaken til at kunstig intelligens viser oss store potensielle, nye muligheter innen medisinsk virksomhet. Teknikken kan anvendes på både strukturerte og ustrukturerte helsedata (Jiang F, 2017).

Regelbasert læring

En type AI er regelbasert læring som ofte må programmeres på forhånd (Tidemann A, snl.no), slik som gjenkjenning av data i elektroniske sykejournaler. Ved for eksempel å sortere etter ordene “synovitt” og “forhøyede verdier for SR og CRP” kan personer suspekte på revmatoid arteritt (RA) identifiseres (Lin C, 2013). De fleste symptom-sjekk-programmer er også basert på regelbasert læring og lærebok-kunnskap. Flere symptom-sjekk programmer supplerer nå med erfarings-, dybde- og maskinlæringsbaserte systemer når alder, kjønn, sykehistorie og tolkning av undersøkelsesfunn legges til. Et eksempel på symptom-sjekk-program er Isabel the symptom checker.

Maskinlæring

Bildet illustrerer systemisk lupus (SLE) med typisk “sommerfugleksantem” hos en middelaldrende kvinne. Personen eksisterer ikke i virkeligheten. Illustrasjonen er generert ved bruk av kunstig intelligens i programmet DALL-E2/Palm Ø.

Maskinlæring kan brukes til gjenkjenne ikke-normale funn ved algoritmer. For eksempel kan patologi i lunger, usurer på røntgenbilder ved revmatoid arteritt (RA) eller sakroiliitt ved spondyloartritt skilles fra det normale. For å lære opp maskinen (maskinlæring) må læreren hjelpe maskinen til å sortere tusenvis av bilder av normale bilder og patologiske funn som usurer og andre leddskader. Maskinen kan deretter gjenkjenne de samme synlige tegnene på usurer ved skanning av enorme mengder bilder på kort tid. I praksis kan teknologien brukes til raskt å sortere ut suspekte tilfeller for nærmere radiologisk/revmatologisk granskning (RA/non-RA). Tilsvarende er brukt for å identifisere SLE med erosiv artritt (Ceccarelli F, 2018) og i automatisk evaluering ved neglefold kapillaroskopi (Berks M, 2016). Maskinlæring har også vist seg nyttig i tolkning av MR bilder ved gonartrose (Cui T, 2023). På den måten Maskinlæring kan estimere prognose eller forventet behandlingsrespons. Ved å basere seg på utilstrekkelig metotreksat-respons, demografiske, kliniske og genetiske data kunne forventet respons på behandling med TNF-hemmere forutsies med 78% sikkerhet (Guan Y, 2019). Blant 7000 pasienter med psoriasis var målet å gjenkjenne markører for psoriasisartritt (PsA) ved maskinlæring. Blant 200 genetiske markører ble ni nye markører psoriasis-subgrupper identifisert, og PsA ble gjenkjent med mer enn 90% sensitivitet og 100% spesifisitet (Patrick MT, 2018). Tilsvarende for  juvenil artritt kunne en basert på enorme data i tre store kohorter vise genetisk risikoscore og forutse hvilke subtyper av JIA de enkelte ville tilhøre (Canovas R, 2020).

Etiske prinsipper

Bruk av “big data” og kunstig intelligens gir oss mange nye positive muligheter, men har også noen negative sider. Det er behov for å ivareta hver enkelt innbygger og pasients personlige data og råderett over disse. Det må avklares hvem som er ansvarlig for analyser, tolkning og risiko for feil (legen eller software-leverandøren?). En må sette grenser og etiske standarder for hvordan data sames inn og lagres. Ingen data eller data-mønster må kunne identifisere enkeltpersoner. Det vil også være behov for retningslinjer som viser hvordan datamodellene og komplekse analyser skal interpreteres. Vi trenger dessuten mer informasjon om hvordan vi best skal bruke “big data” og kunstig intelligens i kliniske revmatologiske avgjørelser. EULAR har tatt initiativ til anbefalinger i denne sammenheng (Gossec L, 2020) og temaet er nærmere belyst også i Lancet Dig health (Cruz Rivera S, 2020) .

Revmatologens rolle

Kunstig intelligens vil klart være med på å løfte faget: (Hügle M, 2020).

  • Dybdelæring vil kunne assistere revmatologen i klassifisering av den enkelte pasients sykdom.
  • Kunstig intelligens kan bidra til persontilpasset utredning og behandling.
  • Automatisk bildediagnostisk gjenkjenning vil antakelig være blant de første områdene for kunstig intelligens innen revmatologi

En essensiell forutsetning for riktig bruk av kunstig intelligens er at gode data legges inn i systemene. På den annen side er også empati, etiske normer, verdier, klinisk skjønn og visjoner sentrale deler av faget. Heller ikke i fremtiden vil derfor kunstig intelligens kunne erstatte revmatologens kliniske undersøkelse, vurdering  og pasientinformasjon. Kunstig intelligens vil imidlertid kunne bli et viktig hjelpemiddel for diagnostisering og ikke minst valg av persontilpasset behandling og forventet prognose basert også på laboratorieverdier, radiologiske data, pasient-rapporterte data, genetiske undersøkelser og elektronisk gjennomgang av sykejournalen.

Maskinene vil ikke kunne erstatte den klinisk arbeidende revmatologen, men noen få revmatologer som benytter kunstig intelligens kunne erstatte mange av dem som ikke bruker kunstig intelligens.

Dagens journalsystemer er blitt elektroniske og annen datalagring systematiseres gradvis. Når data-arkitektur, lagring og kliniske data innpasses bedre, vil maskinlæring kunne utnyttes best mulig ved at maskinen kan lære av sine egne avgjørelser.

Retningslinjer

EULAR: Gossec L, 2020

Litteratur

 

License

Share This Book