TILLEGG
255 Kunstig intelligens (Artificial intelligence = AI, maskinlæring og “big data” i Revmatologi (REV 092)
Øyvind Palm
- Forskningsmetoder, epidemiologi og kritisk lesning av publikasjoner er beskrevet i et eget kapittel.
- Podcast om “Grans Kompendium” generert med kunstig intelligens (NotebookLM):
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 tilsynelatende intelligent og overta menneskelige oppgaver. KI har et enormt potensial til å foreslå og støtte medisinsk utredning og behandling, inkludert innen revmatologi.
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.
KI i revmatologi: Muligheter
KI kan bidra til å løfte revmatologien på flere områder (Hügle M, 2020):
- Tidlig diagnose, beste behandlingsvalg og risikovurdering (CDSS = Clinical Decision Support Systems): 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 komplikasjonsrisiko på tidlige (pre-kliniske) tidspunkter baserte på overvåkning av multiple kliniske parametere over tid, f. eks ved overvåkning av sepsisbehandling på en intensivavdeling. KI kan dermed forbedre langtidsutfallet av sykdommene.
-
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. 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, noe som 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).
- Effektivisering: KI-verktøy kan automatisere rutineoppgaver, som bildetolkning og laboratorieanalyse, slik at helsepersonell får mer tid til pasientbehandling og forskning. KI kan for eksempel nesten umiddelbart skrive forslag til tekstbaserte epikriser og andre medisinsk kommunikasjon.
- 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.
- Forskning: KI kan analysere store mengder forskningsinformasjon/litteratur for å identifisere relevant informasjon for ny forskning på revmatiske sykdommer. Eksempler på nyttige programmer som bruker KI er Elicit og Connectedpapers.
- 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). Selv om KI har stort potensial, er det 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, for eksempel via European Health Data Space (EHDS)
- Algoritmefeil: Feil i analyseprogrammene kan påvirke resultatene.
- Begrenset forståelse: KI kan ikke analysere faktorer som ikke er inkludert i datagrunnlaget, og mangler evnen 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.
| Terminologi (Krusche M, Rheumatologie kompendium, 2022) | |
| Begrep | Forklaring |
| Kunstig intelligens (artificial intelligence, AI) | Databasert metode metode som etterligner menneskelig resonnering og tankegang. Regelbasert læring: Kan brukes til å identifisere pasienter med mistanke om revmatoid artritt (RA) basert på spesifikke ord og kriterier i journaler. Symptom-sjekk-programmer bruker også regelbasert læring, ofte supplert med maskinlæring. Et eksempel på symptom-sjekk-program er Isabel the symptom checker. |
| Maskinlæring | En undergruppe av KI der dataprogrammer lærer av erfaring over tid.Maskinlæring kan brukes til å gjenkjenne unormale funn på bilder, for eksempel usurer ved RA eller sakroiliitt ved spondyloartritt (Lin C, 2013). 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). Kan også brukes til å estimere prognose og behandlingsrespons, samt identifisere genetiske markører for sykdomssubtyper. 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). |
| Algoritmer | Matematisk beskrivelse av fremgangsmåte for å utvikle databaserte modeller (Gossec L, 2020). |
| Dybdelæring (deep learning) | Del av maskinlæring som bruker komplekse nevrale nettverk for å behandle informasjon. |
| Nevronalt nettverk | Algoritmer som etterligner den menneskelige hjernen ved hjelp av nettverkslignende strukturer. |
| Big data | Enorme mengder data fra ulike kilder, som kan analyseres for å finne mønstre og sammenhenger (Vallevik BV, 2022; von Leeuwen JR, 2024). |
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 personvern, etikk og å sikre at teknologien brukes til å støtte, ikke erstatte, revmatologens kliniske skjønn.
Retningslinjer
EULAR: Gossec L, 2020
Litteratur
- 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
