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

Øyvind Palm

Illustrasjon: Pxhere CC0

Læringsmål REV 092

Definisjon

Kunstig intelligens er informasjonsteknologi som justerer sin egen aktivitet og derfor fremstår som tilsynelatende intelligent. Maskin-læring er en undergruppe der dataprogrammet lærer med øvelse over tid ved prøving og feiling. Metoden har potensiale til sikrere diagnoser og mer skreddersydde behandlinger (Pettersen KH, 2019).

Big data omfatter enorme mengder data innhentet fra multiple kilder. Disse kan være kliniske data fra elektroniske journaler, helseregistre eller pasient-genererte fra app’er. Biologiske variabler fra molekylær forskning, sosiale data fra sosiale nettverk og økologiske data fra forurensing, epidemier og atmosfæriske forhold kan kobles sammen og evalueres for ulike sammenhenger (Gossec L, 2020).

Regelbasert læring

En annen type AI er regelbasert læring som ofte må programmeres på forhånd (Tidemann A, snl.no), slik som gjenkjenning av data i elektroniske sykejournaler. Ved å sortere basert på 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, men har utviklet seg til å innlemme også maskin-basert læring når alder, kjønn og sykehistorie suppleres. Et eksempel er Isabel the symptome checker.

Maskinlæring

Gjenkjennelse av for eksempel usurer på røntgenbilder ved revmatoid arteritt (RA) bygger på maskinlæring. For å lære opp maskinen (maskinlæring) må læreren hjelpe maskinen til å sortere tusenvis av bilder av 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 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 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).

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. 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).

Revmatologens rolle

Revmatologien er empirisk, kunnskapsbasert og deskriptivt. kunstig intelligens kan her være med på å løfte faget. 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 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

Solberg AC, 2020

Hugle M, 2020.

Stoel B‍, 2020

de Lara AM & Peláez-Ballestas I, 2020

 

License

Grans Kompendium i Revmatologi for leger i spesialistutdanning Copyright © 2021 by Øyvind Palm. All Rights Reserved.

Share This Book