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

• Forskningsmetoder, epidemiologi og kritisk lesning av publikasjoner er beskrevet i et eget kapittel.
• Podcast om “Grans Kompendium” generert med kunstig intelligens av NotebookLM og basert på Kompendiets nettsider. Demonstrer hva som er mulig med KI og noen gratis tastetrykk:

Definisjon

Kunstig intelligens (KI) er en databasert metode som etterligner menneskelig resonnering og tankegang. Ved å lære av data og gjenkjenne mønstre kan KI justere sin egen aktivitet fremstå som intelligent og klar til å overta menneskelige oppgaver. KI har et enormt potensial til å foreslå og støtte medisinsk utredning, behandling og forskning også innen revmatologi (Sequi-Sabater JM, 2025).

Historie

• 2011: IBM Watson som opprinnelig ble brukt til KI-støttet spørreskjemabesvarelser ble videreutviklet og tatt i medisinsk onkologisk bruk til å foreslå kreftbehandling basert på data fra medisinske databanker.
• 2018: DeepMind’s AlphaFold: KI-baserte prediksjon av proteinstrukturer var et gjennombrudd i forståelsen av biologiske prosesser bl.a. ved COVID-infeksjon og en viktig anvendelse innen medikamentutvikling.
• 2019: Zebra Medical Vision: Et KI-system som kan analysere medisinske sykdomstilfeller som mammacancer, lungesykdommer og hjertefeil basert på CT- og MR-data
• 2022: ChatGPT: En KI-støttet chatte-robot basert på språkmodeller. ChatGPT er en form for generativ KI, en teknologi som etter innlæring av store datamengder (eksisterende mønster og sammenhenger) kan generere nytt innhold som tekster, bilder eller musikk. I løpet av bare fem dager oppnådde ChatGPT en million brukere.
• Per 2025 med KI i medisinsk virksomhet:
  • Bildeanalyser. KI-modeller blitt trent på enorme datasett med røntgenbilder, MR-bilder og CT-skanninger. Dette gjør dem i stand til å identifisere sykdommer tidligere. KI kan redusere falske positiver og negative resultater noe som fører til mer pålitelige diagnoser. KI-verktøy kan automatisk markere mistenkelige områder. Dette sparer radiologer for tid og gjør at de kan fokusere på mer komplekse tilfeller.
  • Store språkmodeller (LLMs) er en av de viktigste nyvinningene. De kan forstå og generere tekst og kan skrive ut sammendrag av pasientnotater, diktere rapporter og fylle ut skjemaer, noe som reduserer den administrative byrden for helsepersonell. De kan analysere store mengder pasientdata som symptomer og blodprøver og deretter gi forslag til diagnose og behandlingsplan. LLMs kan raskt oppsummere og sammenstille informasjon fra medisinske publikasjoner. Dermed er det blitt enklere for leger å holde seg oppdatert på den nyeste forskningen.
  • Presisjonsmedisin. KI har gjort presisjonsmedisin mer tilgjengelig ved å muliggjøre analyse av komplekse biologiske data. KI-algoritmer kan analysere millioner av molekyler og forutsi hvilke som kan være effektive legemidler mot en bestemt sykdom. Det forkorter utviklingstiden og reduserer kostnadene. Ved å analysere en pasients genetiske data, livsstil og miljøfaktorer kan KI-modeller forutsi hvordan pasienten vil reagere på forskjellige behandlinger. KI brukes til å integrere data fra genomikk, proteomikk og metabolomikk (multi-omikk-analyser) for å få en mer helhetlig forståelse av sykdommer og utvikle mer målrettede behandlinger.

KI i revmatologi: Muligheter

KI kan i større grad tas i bruk for å forbedre diagnostikk, behandling og oppfølging av pasienter med revmatiske sykdommer. Disse sykdommene er ofte kroniske, komplekse og krever presis og individualisert behandling. Dette gjør dem til et ideelt for å anvende KI (Hügle M, 2020):

1. Tidlig diagnose, beste behandlingsvalg, risikovurdering (CDSS = Clinical Decision Support Systems), monitorering og tidlig intervensjon: KI-algoritmer kan analysere store mengder kliniske data som medisinske sykejournaler, bilder og laboratorieresultater for å identifisere mønstre som tyder på revmatiske sykdommer tidlig i forløpet. Systemet kan så foreslå konkret handling, f eks. diagnostiske metoder, terapimuligheter eller medikamentdosering basert på nyeste kunnskap. Metoden kan også varsle tidlig om komplikasjonsrisiko baserte på overvåkning av multiple kliniske parametere over tid. Eksempler ved overvåkning av sepsisbehandling på en intensivavdeling eller bruk av bærbare målere som rapporterer ulike kliniske parametere og endringer i aktivitetsnivå. KI kan dermed initiere tiltak og forbedre langtidsutfallet av sykdommene.

2. 

   Personlig tilpasset behandling: KI kan bidra til å utvikle individuelle behandlingsplaner basert på pasientens genetiske profil, sykdomshistorie og livsstil (persontilpasset medisin). KI-modeller kan også forutsi sykdomsutvikling. Dette hjelper leger å ta informerte beslutninger, øke behandlingseffektiviteten og redusere bivirkninger (Pettersen KH, 2019). Et eksempel er å predikere behandlingsrespons av TNF-α hemmere ved revmatoid artritt ut i fra målt cytokinprofil (Shephard JLV, 2024).

3. Effektivisering: KI-verktøy kan automatisere rutineoppgaver, som bildetolkning og laboratorieanalyse for å oppdage tidlige tegn på ledd- eller organskader. Diagnoser kan da stille raskere og mer presist. I klinisk praksis kan KI også umiddelbart skrive forslag til epikriser og annen medisinsk kommunikasjon. Helsepersonell kan dermed få frigjort mer tid til pasientbehandling og forskning.
4. Pasientkommunikasjon: KI-systemer som ChatGPT eller Google Gemini kan brukes som virtuelle assistenter til å besvare medisinske spørsmål fra pasienter eller bidra med innledende medisinsk pasientinformasjon.
5. Forskning: KI kan analysere store mengder forskningsinformasjon og litteratur for å identifisere relevant informasjon for ny forskning på revmatiske sykdommer. Eksempler på nyttige programmer som bruker KI er Elicit og Connectedpapers.
6. Forbedret pasientoppfølging: KI kan brukes til å utvikle digitale verktøy som hjelper pasienter med å følge opp sin egen sykdom og holde kontakt med legen, noe som kan forbedre pasienttilfredshet og behandlingsresultater.

Begrensninger

Etter hvert som KI-teknologien fortsetter å utvikle seg er det sannsynlig at vi vil se enda flere innovative og effektive bruksområder for KI i medisin (Brøgger HMB, 2023). KI har stort potensial, men det er viktig å være klar over begrensningene:

• Dataavhengighet: KI er avhengig av representative data. Feil eller mangelfull informasjon kan føre til unøyaktige resultater. Det er spesielt aktuelt dersom KI-systemene ikke er trent for sjeldne sykdommer innen revmatologi. For å øke datagrunnlaget ønsker man å knytte sentre med data (“datasiloer”) sammen i større grad. Et eksempel er via European Health Data Space (EHDS)
• Algoritmefeil: Feil i analyseprogrammene kan påvirke resultatene. KI vil i spesielle tilfeller der lite data er tilgjengelige produsere feil informasjon, til dels med fantasifulle begrunnelser.
• Begrenset forståelse: KI kan ikke analysere faktorer som ikke er inkludert i datagrunnlaget og kan mangle tilstrekkelig evne til å ta hensyn til etiske normer, verdier og klinisk skjønn. Et problem kan også være at KI-resonnementer og avgjørelser kan være uforståelig (“black-box”) for brukeren (revmatologen) og dermed utfordre metodens fortrolighet.

Etiske prinsipper

Bruk av KI og store datamengder reiser viktige etiske spørsmål:

• Personvern: Hvordan beskytte pasienters personlige data?
• Ansvar: Hvem er ansvarlig for analyser, tolkning og eventuelle feil? -Systemutvikleren eller legen som brukeren (legen)?
• Datatilgang og lagring: Hvordan sikre etisk og sikker innsamling og lagring av data?
• Tolkning av resultater: Hvordan skal komplekse analyser og datamodeller tolkes og brukes i klinisk praksis?

EULAR og andre organisasjoner har utviklet anbefalinger for etisk bruk av KI i revmatologi (Gossec L, 2020) og temaet er nærmere belyst også i Lancet Dig health (Cruz Rivera S, 2020).

Konklusjon

KI har potensial til å forbedre diagnostikk, behandling og oppfølging av pasienter med revmatiske sykdommer betydelig. Det er imidlertid viktig å bruke KI på en ansvarlig måte med fokus på kvalitet og korrekthet, personvern og etikk. Man må sikre at teknologien brukes til å støtte, ikke erstatte, revmatologens kliniske skjønn.

Retningslinjer

EULAR: Gossec L, 2020

Litteratur

• Venerito V, 2025
• Sequi-Sabater JM, 2025
• Palmowski L, DgRh, 2024 (presentasjon).
• Helsedirektoratet: Kunstig intelligens i helsesektoren
• Shephard JLV, 2024 (cytokinprofil ved RA)
• Vallevik BV, 2022
• Hügle M, 2020 (KI i revmatologi)
• Kingsmore KM, 2021
• Bressem KK, 2021 (sakroiliitt)
• Norgeot B, 2021 (RA)
• Solberg AC, 2020
• Hugle M, 2020.
• Stoel B‍, 2020
• de Lara AM, 2020
• Jiang F, 2017
• Jordan M, 2015

Teksten er skrevet og gjennomgått av forfatterne. I bearbeidelsen har vi brukt kunstig intelligens i noen avsnitt.