Pasient nummer 10 000 har nylig fått røntgenbildet sitt vurdert med kunstig intelligens i Vestre Viken HF. 2600 av disse pasientene har blitt sendt hjem uten å måtte vente i flere timer før diagnosen foreligger.
Ishita Barua, lege PhD i kunstig intelligens og gründer/medisinsk sjef i Livv Health
Siden oppstarten i august 2023 har Vestre Viken spart inn 115 dager med ventetid for pasienter og 15 legekonsultasjoner per dag.1 Dette illustrerer godt noen av oppgavene som kunstig intelligens kan bidra med i klinikken – effektivisering og reallokering av ressurser. Og nettopp det er noe essensen i hva kunstig intelligens er – et optimaliseringsverktøy.
Mange ønsker å definere kunstig intelligens (KI) på en mer konkret måte. I den nasjonale strategien for kunstig intelligens skrevet av Kommunal- og distriktsdepartementet i 20202 står det at «Kunstig intelligente systemer utfører handlinger, fysisk eller digitalt, basert på tolkning og behandling av strukturerte eller ustrukturerte data, i den hensikt å oppnå et gitt mål». Basert på denne definisjonen kan vi utlede hva som kreves for å lage kunstig intelligens, nemlig regnekraft, data og mål. Disse tre faktorene regnes som de viktigste ingrediensene for å utvikle gode KI-modeller.3 Regnekraft er teknologenes domene, og noe vi klinikere ikke tradisjonelt har kontroll over. Derimot er data og mål noe vi klinikere bør ta større eierskap til. For helsevesenet har i alle år produsert «big data» som brukes til blant annet forskning, og slike store og robuste datasett kreves også for å trene KI-modeller. Og det er klinikere som er domeneeksperter på kliniske data og klinisk nyttige mål, og som derfor må involveres tidlig i utviklingen og implementeringen av KI-modeller for klinikken.
For hva er eksempler på klinisk nyttige oppgaver å løse? De kliniske utfordringene starter allerede før livet blir til. KI-verktøy brukes i dag av mange IVF-klinikker rundt omkring i verden for å identifisere de embryoene som har størst sannsynlighet for å resultere i et levendefødt barn og dermed øke suksessraten til IVF-behandling. I 2019 viste forskere ved Weill Cornell Medicine i New York hvordan KI-verktøy kunne vurdere kvaliteten på embryo mer nøyaktig enn leger.4 Dette skjer ved at KI-verktøyet med det passende navnet STORK har blitt trent på titusenvis av bilder hentet fra videoer av embryoutvikling. Deretter har KI-verktøyet STORK maskinlært seg hvilke embryo som har høyest sjanse for å utvikle seg til et foster. Og STORK baserer seg ikke bare på de kjente variablene som embryologer vurderer, men har lært seg å studere egenskaper ved embryoer som tidligere ikke har vært vektlagt eller kjent for å være viktige diagnostiske kriterier for å estimere suksessraten for fosterutvikling. Altså bidrar KI-verktøyet med å identifisere mønstre i morfologiske trekk som vi ikke vet hvordan vi skal vurdere enda. Dette er et eksempel på såkalt svart-boks problematikk som kjennetegnes ved at KI-modellens beslutningsprosess ikke er helt transparent eller forståelig for brukeren. Manglende forklarbarhet og åpenhet i algoritmiske beslutninger, er en utfordring som det medisinske fagmiljøet vil fortsette å møte på etter hvert som flere og flere KI-verktøy implementeres i klinikken.
Men å øke suksessraten til IVF-behandling med bruk av kunstig intelligens, må likevel anses for å være et klinisk nyttig mål. Andre klinisk nyttige oppgaver å løse for KI-verktøy er det å identifisere pasienter som har eller kan utvikle sepsis. Årlig innlegges ca. 10 000 pasienter på sykehus i Norge med mistanke om sepsis, og årlig dør ca. 3000 pasienter av denne diagnosen. Dødeligheten ligger på 20% i Norge. 5 Ved John Hopkins i USA har forskere i samarbeid med selskapet Bayesian Health utviklet et klinisk beslutningsstøttesystem basert på KI, som kan estimere risikoen for at pasienter utvikler sepsis. KI-verktøyet har fått navnet TREWS (Targeted Real-Time Early Warning System) og er blitt klinisk testet på nesten 600 000 amerikanske pasienter fordelt på fem ulike sykehus. Studien er en prospektiv multisenterstudie publisert i Nature Medicine i 20226 og fikk raskt global oppmerksomhet for de gode resultatene. TREWS identifiserte korrekt 82% av pasientene som stod i fare for å utvikle sepsis og relativ risikoreduksjon i dødelighet var 18,7% hos pasienter hvis varsel ble bekreftet av en behandler innen 3 timer etter varslingen. Utvikling av KI-baserte sepsisdetektorer er også noe vi er i gang med her hjemme gjennom prosjektet «Genetikk og kunstig intelligens skal bedre overlevelsen av sepsis», som er et samarbeid mellom St. Olavs Hospital HF, Helse Nord-Trøndelag HF og NTNU.7
Som ledd i det å behandle sepsis, er vi helt avhengig av å ha tilgang på antibiotika som bakteriene ikke har utviklet resistens mot. Antibiotikaresistens er en av ti mest kritiske globale helseutfordringene ifølge WHO og årlig dør 1,27 millioner mennesker som en direkte følge av infeksjoner med antibiotikaresistente bakterier. 8 For å få bukt med dette problemet i fremtiden, er vi avhengig av restriktiv antibiotikapraktisering i tillegg til at vi finner nye antibiotikatyper som bakteriene ikke har utviklet resistens mot. I 1928 oppdaget den skotske legen og bakteriologen Alexander Fleming det første antibiotikumet, Penicillin. Dette ble oppdaget ved en tilfeldighet da sporer fra en muggsopp dyrket i et laboratorium i nabolaget, blåste med vinden og landet oppi Fleming sine petriskåler. Fleming med sin domenekunnskap innså hva oppklaringen rundt bakterien betydde og kunne konstatere funnet av antibiotika. Det måtte altså både flaks og talent til for å gjøre denne historiske oppdagelsen mulig. Men heldigvis er vi ikke lengre like avhengig av å ha flaks eller talent i disse dager. Vi har kunstig intelligens til å hjelpe oss. I henholdsvis 2020 og 2023 publiserte Massachusetts Institute of Technology (MIT) to studier hvor de beskrev to nye antibiotikatyper oppdaget gjennom bruk av kunstig intelligens.9,10
Den første fikk navnet Halicin (inspirert av datamaskinen HAL 9000 fra kultfilmen «2001: En romodyssé) og ble oppdaget da forskerne brukte et KI-verktøy (nevralt nettverk) til å identifisere molekyler som hemmet E. coli mest effektivt og i tillegg hadde en annen virkningsmekanisme enn eksisterende antibiotika. KI-verktøyet fant ca. 100 kandidater, men kun Halicin stod igjen til slutt. Halicin var opprinnelig utviklet som en diabetesmedisin, men viste svake resultater i studier og ble forkastet som det. Fortsatt gjenstår kliniske studier av Halicin brukt som antibiotikum, men tiden det tok å identifisere legemidlet som en antibiotika-kandidat var bare noen få timer med KI-verktøyet. På liknende vis ble også antibiotika-kandidaten Abaucin oppdaget av forskere ved MIT i 2023. Så da har KI-verktøy hjulpet oss med å oppdage hele to nye antibiotika-kandidater på 3-4 år, i stedet for at vi bruker 35 år på å finne én ny type antibiotika med de tradisjonelle metodene.11
Men det er ikke alltid at vi kommer i mål bare ved å la KI-verktøy saumfare våre registre over kjente og eksisterende molekyler, slik at man oppdager legemidler med nye bruksområder. Vi trenger også å kunne syntetisere legemidler for å kurere sykdommer som vi i dag ikke har legemidler mot. Og nettopp det har forskningsinstitusjonen DeepMind (kjøpt opp av Google i 2014) bidratt til gjennom KI-verktøyet AlphaFold. AlphaFold har løst et av biologiens hellige graler ved å kunne forutsi den tredimensjonale strukturen til proteiner. Dette KI-verktøyet har kartlagt den tredimensjonale strukturen til mer enn 200 millioner proteiner med høy nøyaktighet. Å forutsi hvordan proteinene folder seg og dermed hva proteinstrukturen blir, er viktig fordi strukturen bestemmer funksjonen til proteinet. Dette er noe forskere har forsøkt å løse de siste 50 årene og gjennombruddet kom i 2020. Året etter ble AlphaFold kåret til det viktigste vitenskapelige gjennombruddet det året av tidsskriftet Science.12 Potensialet til AlphaFold ligger i muligheten til å lage legemidler mer effektivt og billigere. Håpet er å kunne bruke AlphaFold til å utvikle legemidler som korrigerer f.eks. feilfolding av proteiner, hvilket er tilfelle for Alzheimers sykdom. Eller å designe legemidler som målrettet interagerer med spesifikke proteiner, f.eks. innen kreftbehandling. Under koronapandemien bidro AlphaFold til å forutsi strukturen til proteinene i koronaviruset og hvordan det vekselvirker med reseptorer i menneskeceller.
Kunstig intelligens kan bli et effektivt redskap for å håndtere noen av de mest utfordrende problemstillingene i helsetjenesten. Enten det er å øke sannsynligheten for å få barn gjennom IVF-behandling, oppdage sepsis i tide, finne nye antibiotika eller utvikle nye legemidler. Og som vi ser i eksemplet fra Vestre Viken og KI-verktøy for røntgenvurderinger, kan vi starte med de lavthengende fruktene som har lavere risiko for skadelige helseutfall og potensielt stort utbytte. Men det finnes også forbedringspotensiale her. Vi burde sørge for at vi kan kvantifisere hvilken klinisk effekt vi oppnår med kunstig intelligens gjennom å benytte randomiserte studier når vi tar i bruk nye verktøy. Slik som tilfelle er når nye medisiner utvikles. Først da følger vi virkelig prinsippet bak legeeden «primum non nocere» og kan bane vei for andre sektorer som skal ta i bruk KI på en trygg og nyttig måte.
1. Rønhovde, H. & Gauteplass, T. Har allereie spart 115 døgns ventetid for pasientar i Vestre Viken takka vere kunstig intelligens – NRK Buskerud – Lokale nyheter, TV og radio. NRK (2023).
2. Kommunal-og moderniseringsdepartementet. Nasjonal Strategi for Kunstig Intelligens. https://www.regjeringen.no/no/dokumenter/nasjonal-strategi-for-kunstig-intelligens/id2685594/?ch=3 (2020).
3. Barua, I. Kunstig Intelligens Redder Liv – AI Er Legenes Nye Superkrefter. (Cappelen Damm, 2023).
4. Khosravi, P. et al. Deep learning enables robust assessment and selection of human blastocysts after in vitro fertilization. npj Digital Medicine 2019 2:1 2, 1–9 (2019).
5. Helsedirektoratet. Reviderte anbefalinger for antibiotikabehandling av sepsis. Helsedirektoratet https://www.helsedirektoratet.no/nyheter/reviderte-anbefalinger-for-antibiotikabehandling-av-sepsis (2022).
6. Adams, R. et al. Prospective, multi-site study of patient outcomes after implementation of the TREWS machine learning-based early warning system for sepsis. Nature Medicine 2022 28:7 28, 1455–1460 (2022).
7. Lian, A. Nærmer seg svar på Sepsis-gåten – St. Olavs hospital HF. St. Olavs Hospital https://www.stolav.no/nyheter/2018/nermer-seg-svar-pa-sepsis-gaten/ (2020).
8. Murray, C. J. et al. Global burden of bacterial antimicrobial resistance in 2019: a systematic analysis. The Lancet 399, 629–655 (2022).
9. Stokes, J. M. et al. A Deep Learning Approach to Antibiotic Discovery. Cell 180, 688-702.e13 (2020).
10. Liu, G. et al. Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii. Nature Chemical Biology 2023 1–9 (2023) doi:10.1038/s41589-023-01349-8.
11. Shukla, R. et al. Teixobactin kills bacteria by a two-pronged attack on the cell envelope. Nature 2022 608:7922 608, 390–396 (2022).
12. Service, R. F. Science’s 2021 Breakthrough of the Year: AI brings protein structures to all. Science (2021).
