Stort projekt med kunstig intelligens når vigtig milepæl

I begyndelsen af august blev en 10 sider-lang artikel offentliggjort på en underside af Nature.com, der er ét af verdens mest berømte videnskabelige medier.

Artiklen beskriver de foreløbige erfaringer fra et stort, opsigtsvækkende forskningsprojekt, kaldet DESERT, som gennem fem år er gennemført på Sygehus Lillebælt. Et projekt, der har fået opmærksomhed uden for landets grænser, og hvor forskere har vist, at det er muligt at bruge avancerede computer-algoritmer til at afdække, hvad en akutpatient kan fejle.

Stolte af milepæl

Projektet er nu blevet ’fagfællebedømt’, hvilket betyder, at andre forskere uvildigt og anonymt har bedømt studiets kvalitet – og i dette tilfælde godkendt kvaliteten. Et vigtigt, stort skridt – der samtidig gjorde det muligt at publicere artiklen på nature.com/scientificreports.
- Det er fem års arbejde, der foreløbigt kulminerer, hvor det her er første publikation. Det er meget væsentligt, at vi er nået hertil, for det er andre, uvildige eksperter, der siger, at det har den rette kvalitet. Så det er vi stolte af, fortæller overlæge Claus Lohman Brasen fra Biokemi og Immunologi, der er én af hovedkræfterne bag DESERT.

DESERT-projektet undersøger, om det er muligt for læger at bruge en særlig form for kunstig intelligens – kaldet en digital prædiktionsmodel - som en hjælp til at diagnosticere patienter, som kommer ind på akutmodtagelsen med symptomer, der kan være tegn på en alvorlig og potentielt livstruende sygdom. I de situationer, hvor diagnosen skal stilles, er hvert et minut afgørende, men fordi symptomerne ofte peger i flere forskellige retninger, kan det være svært for lægen at vurdere, hvad patienten fejler.

Færre dødsfald og kortere indlæggelser

Forskerne har gennem de senere år vist, at det er muligt at træne 19 avancerede computer-algoritmer til at kunne påvise en høj risiko for bestemte sygdomme. Den hjælp kan potentielt føre en lavere dødsrate, færre genindlæggelser og kortere, færre forløb på intensivafdelingen med sig. Samtidig er antallet af blodprøver, som det er nødvendigt at tage, mindsket kraftigt.
- Hvis vi tidligere ved, at en patient vil få det rigtig skidt, kan vi hurtigere fokusere vores kræfter. Vi flytter måske vedkommende på intensivafdelingen, så patienten bliver særligt overvåget - og vi kan endnu tidligere give patienten den rette behandling, fortæller Claus Lohman Brasen.

Gennem de senere år er de kunstige intelligens-algoritmer blevet trænet ved - kort fortalt - at gennemgå svarene fra blodprøver, data og kendte sygdomsforløb fra 9000 akutte patienter fra sygehusene i Vejle og Kolding. På den måde kan de superavancerede computerprogrammer nu spotte og siden genkende komplekse mønstre og vigtige tegn i sygdomsforløb og data, som den menneskelige hjerne ikke altid lige så hurtigt vil kunne se.
- Håbet er, at dét, at vi giver lægerne algoritmerne som en hjælper, gør, at lægerne endnu hurtigere kommer frem til den rette diagnose. Det fungerer som en form for ’second opinion’, siger Claus Lohman Brasen.

Ny fase af projektet forude

Nu går DESERT-projektet ind i en ny fase, hvor forskerne blandt andet skal afklare, hvor hurtige og dygtige lægerne er til at finde den rette diagnose – med brug af de digitale modeller. Samtidig har de foreløbige erfaringer vist, at det kun er nødvendigt at bruge 14 algoritmer og ikke 19. Én algoritme kan for eksempel påvise, at patienten er ved at udvikle blodforgiftning, mens en anden kan påvise lungebetændelse. Forskerne er i gang med at søge forskningsmidler til ”DESERT 2.0”. Her er det afgørende, at studiet er blevet godkendt til optagelse i ’Nature’-regi, fordi det blåstempler det.
- Hvis det virker, hjælper det patienterne. Vi begynder – hvis alt gå vel – med anden del om et halvt år og så ét år frem. To år senere kan det så være ude ved patienterne, hvor lægerne vil kunne bruge det som en hjælp i dagligdagen, siger Claus Lohman Brasen.

FAKTA:

En digital prædiktionsmodel er et redskab inden for kunstig intelligens og dataanalyse, der kan bruges til at vurdere risikoen for en given begivenhed. Som for eksempel en sygdom. Det gør den blandt andet ved at finde mønstre i data og bruge dem til at lave specifikke risikovurderinger.