255 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.

Definisjon

Kunstig intelligens (KI) er en databasert metode som etterligner menneskelig resonnering og tankegang. Ved å justere sin egen aktivitet fremstår den som tilsynelatende intelligent. Den bruker mønstergjenkjenning i store datamengder for å formulere nye hypoteser og løsninger. KI har et enormt potensial til å revolusjonere medisinsk utredning og behandling, inkludert innen revmatologi.

KI i revmatologi: Muligheter

KI kan bidra til å løfte revmatologien på flere områder (Hügle M, 2020):

1. Tidlig diagnose: KI-algoritmer kan analysere store mengder data, som medisinske bilder, laboratorieresultater og pasientjournaler, for å identifisere mønstre som tyder på revmatiske sykdommer tidlig i forløpet. Dette muliggjør tidligere diagnose og behandling, noe som kan redusere sykdomsaktivitet og forbedre langtidsutfallet.

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, 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).

3. Effektivisering: KI-verktøy kan automatisere rutineoppgaver, som bildetolkning og laboratorieanalyse, slik at helsepersonell får mer tid til pasientbehandling og forskning.
4. Forskning: KI kan analysere store mengder forskningsdata for å identifisere nye behandlingsmål og utvikle nye medisiner for revmatiske sykdommer.
5. 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 og etiske betraktninger

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 gode data. Feil eller mangelfull informasjon kan føre til unøyaktige resultater.
• 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.

KI vil ikke erstatte revmatologens ekspertise, men kan være et verdifullt hjelpemiddel for diagnostikk, persontilpasset behandling og og prognostisering.

Anvendelser av KI i revmatologi

• 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: 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).

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?
• 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

• 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