Helseteknologi

- Alle data om en pasient som i dag finnes i mange ulike systemer og på ulike nivåer i helsevesenet - inkludert data som er på pasientens Fitbit - må og vil bli tilgjengelig i én og samme database. Ved å kjøre disse dataene gjennom avanserte modeller for kunstig intelligens vil vi kunne forutsi risikoen for sykdom, hva som vil være den beste behandlingen og ikke minst foreslå endringer i pasientens livsstil som kan gjøre at sykdom unngås, sier Eigil Samset.

- Kunstig intelligens blir et kraftig verktøy i hendene på kardiologene

Kunstig intelligens er i ferd med å få en stor betydning for diagnostisering, behandling og oppfølging av pasienter med koronarsykdom. Men dette er bare begynnelsen. - Når avanserte modeller for kunstig intelligens får tilgang til helsedata fra pasientene selv, fastlegene og sykehusene, vil vi bli i stand til å forutsi risikoen for sykdom, avgjøre hva som er den beste persontilpassede behandlingen og ikke minst foreslå endringer i pasientens livsstil som kan gjøre at sykdom unngås.

Publisert

- Det forteller Eigil Samset. Han er professor i medisinsk bildebehandling på Universitetet i Oslo og har tilbrakte 11 år i kliniske forskningsavdelinger ved Oslo universitetssykehus, Harvard Medical School og Stanford University. For en tid tilbake tok han skrittet over til GE Healthcare der han er Global Chief Technology Scientist innen kardiologi. Her er han ansvarlig for teknologiutvikling, kunstig intelligens og digital transformasjon innen kardiologi-feltet. I dag holder han foredrag på en av verdens største hjertekongresser, American College of Cardiology, ACC.

Selvlærende datamaskiner med kolossal datakapasitet

- Det handler om hvordan vi kan oppdage og diagnostisere pasienter med koronarsykdom tidlig; hvordan man gjennomfører behandlingen på en best mulig måte og ikke minst hvordan man følger opp pasientene etter behandling, forteller han til HealthTalk

- I presentasjonen forteller jeg om hvordan disse fasene henger sammen og hvordan strømlinjeforme denne pasientreisen gjennom bruk av ulike diagnostiske verktøy, IT verktøy og ikke minst hvordan kunstig intelligens og dyplæring nå spiller en stadig større rolle.

Selvlærende datamaskiner med kolossal datakapasitet kan allerede i dag diagnostisere røntgenbilder og histopatologiske bilder. Videre kan kunstig intelligens brukes til administrative støttesystemer og logistikk.

Kunstig intelligens er allerede så smått tatt i bruk - også i det norske helsevesenet. Kunstig intelligens kan være aktuelt å bruke på ulike stadier i et pasientforløp – fra forebygging til diagnostisering, behandling og oppfølging. Det er en rekke mulige bruksområder for kunstig intelligens, for eksempel kartlegging av risiko for sykdom, tolkning av bilder og forskjellige former for beslutningsstøtte for helsepersonell og for pasienter. I fremtiden vil bruksområdene trolig bli flere. For helsepersonell kan kunstig intelligens bety et kraftig verktøy for beslutningsstøtte.

Vil ikke erstatte kardiologene

- Maskinlæring er i ferd med å øke presisjonen i diagnostisering, og til å gi både behandlere og pasienter bedre beslutningsstøtte. Kunstig intelligens kommer ikke til å erstatte kardiologene, men vil snarere bli et kraftig verktøy i hendene på dem. I fremtiden vil vi se at stadig mer data vil bli integrert slik at vi kan simulere og forutsi sykdomsforløp, blant annet fastslå hvilke pasienter som vil bli raskt sykere og hvilke pasienter som vi ha nytte av ulike behandlinger. Dette kommer til å bli avgjørende for at helsevesenet skal kunne gi den beste behandlingen til hver enkelt pasient, forteller Samset.

En sentrale trend er altså stadig mer avanserte diagnostiske og medisinske behandlingsmuligheter på sykehusene. Men en annen trend Samset også er opptatt av er hvordan medisinsk teknologi trenger inn i lavere nivåer i helsevesenet - i primærhelsetjenesten og hos pasientene selv via blant annet smartklokker som kontinuerlig måler sentrale helseparametere og selvsagt mobiltelefonen.

Internasjonal trend

- Mye dreier seg om å digitalt koble sammen helsedataene fra pasient, primærlege og sykehusleger. Vi ser en voldsom trend internasjonalt der man kobler sykehus, primærhelsetjenesten og pasienten stadig tettere sammen digitalt, sier han.

Han forteller at i dette bildet blir datakonnektivitet mellom informasjonskildene og aktørene stadig viktigere.

- Alle data om en pasient som i dag finnes i mange ulike systemer og på ulike nivåer i helsevesenet - inkludert data som er på pasientens Fitbit - må og vil bli tilgjengelig i én og samme database. Ved å kjøre disse dataene gjennom avanserte modeller for kunstig intelligens vil vi kunne forutsi risikoen for sykdom, hva som vil være den beste behandlingen og ikke minst foreslå endringer i pasientens livsstil som kan gjøre at sykdom unngås, sier han.

Hva er kunstig intelligens?

Kunstig intelligens er datamaskiner som har evnen til å lære, forbedre seg over tid og tilpasse seg nye miljøer. Datamaskinene kan utføre enkelte intellektuelle oppgaver på nivå med mennesker som å tolke tekst, tale og bilder. Ulike former for kunstig intelligens omfatter blant annet:

Maskinlæring (ML) benytter teknikker fra matematikk, statistikk og datavitenskap for å trekke ut kunnskap fra store datasamlinger.

Dyplæring er en del av maskinlæring og bruker en familie av algoritmer som kalles nevrale nettverk for å gjenkjenne objekter som for eksempel medisinske bilder.

Helseanalyse omfatter både maskinlæring og tradisjonell dataanalyse på helsedata.

Natural Language Processing (NLP) handler om språkforståelse. NLP kan kombinere maskinlæring og dyplæring eller baseres på regelbaserte uttrykk. På helseområdet finnes store mengder helsedata blant annet i pasientjournaler, kvalitetsregistre og helseregistre.

Nesten all bruk av kunstig intelligens forutsetter store mengder data. Dette er data som kan innhentes fra journal-, laboratorie- og radiologisystemer og medisinsk utstyr. Dette datagrunnlaget har stort potensial for å kunne yte bedre helse- og omsorgstjenester. I tillegg vil dette datagrunnlaget være verdifullt for forskning, styring og planlegging.

Kilde: Direktoratet for e-helse. Rapport: Utviklingstrekk 2019 (IE-1044).

Powered by Labrador CMS