”AI vil ikke erstatte mennesker – men overhaler dem, der ikke bruger den”

Kunstig intelligens er på vej til at blive en integreret del af sundhedsforskningen, men hvordan anvendes teknologien i praksis, og hvilke udfordringer følger med?

Vi har talt med Adam Hulman, lektor på Institut for Folkesundhed og Steno Diabetes Center Aarhus, om hans arbejde med maskinlæring, prædiktionsmodeller og de etiske overvejelser forbundet med AI i sundhedsvæsenet.

Hvordan blev du interesseret i kunstig intelligens?

Jeg har en baggrund i matematik og har arbejdet med klassisk epidemiologi i mange år. Min interesse for AI blev for alvor vakt for fire-fem år siden, da jeg så en dokumentar om, hvordan DeepMind udviklede en AI, der kunne slå verdens bedste Go-spillere. Det fascinerede mig, fordi Go er et ekstremt komplekst spil med flere mulige træk end atomer i universet. Hvis AI kunne mestre Go, tænkte jeg, at det måtte have potentiale i sundhedsforskning også, så jeg begyndte at dykke ned i, hvordan maskinlæring kunne bruges til at forbedre prædiktionsmodeller inden for diabetes.

Hvordan bruger du AI i din forskning?

Jeg leder en gruppe på Steno Diabetes Center Aarhus, hvor vi arbejder med maskinlæring og algoritmer til at udvikle kliniske prædiktionsmodeller. Vi fokuserer især på hjertekarsygdom hos mennesker med type 1-diabetes. Vi forsøger at integrere forskellige typer data – for eksempel øjeskanninger, data fra glukosesensorer og stemmeanalyser. Vi undersøger, om der er mønstre, som kan være forbundet med senfølger af diabetes.

Hvad kan AI bidrage med, som traditionelle metoder ikke kan?

Jeg kalder det helst maskinlæring, men ja, vi arbejder med AI fordi de klassiske statistiske metoder ikke er designet til at håndtere de store og komplekse datamængder og forskellige datatyper, vi har i dag. For eksempel kan vi nu inddrage realtidsdata fra glukosesensorer, som måler blodsukker hvert femte eller femtende minut. Det giver os helt nye muligheder for prædiktion, men vi har brug for maskinlæring for at få mening ud af den slags data.

Hvor langt er vi fra at bruge AI i klinisk praksis?

AI bliver allerede brugt nogle steder. For eksempel til at identificere raske strukturer i scanninger, som knogler og organer. Men når det gælder prædiktionsmodeller for sygdomme som hjertekarsygdom, er vi ikke helt i mål endnu. Vi har udviklet en model og arbejder nu på at udvide den med flere datatyper. Men der er mange prædiktionsmodeller i litteraturen, og kun ganske få bliver implementeret. Vi prøver at sikre, at vores modeller ikke kun virker i en forskningskontekst, men også giver mening i den kliniske praksis.

Hvordan vil læger komme til at bruge AI på sigt? 

Lægerne vil kunne bruge AI til at vurdere patientens risiko for fx, hjertekarsygdom, og jo mere data, vi kan inddrage, jo bedre bliver de modeller, vi kan udvikle. Det kan give et ensartet og hurtigt udgangspunkt, som lægerne kan finjustere. Det sparer tid og dermed kan ressourcerne blive brugt på andre ting, fx på de patienter, der skal starte i behandling. Men AI skal ikke erstatte læger – det skal hjælpe dem. Mange tror, at AI vil erstatte mennesker, men det, der faktisk vil ske, er, at AI vil overhale mennesker, der ikke bruger AI.

Hvordan oplever patienter brugen af AI i sundhedsvæsenet?

Vi har undersøgt det, og det afhænger af konteksten. Hvis det er AI til rådgivning om livsstil eller kost, er folk meget åbne. Men hvis det handler om akutte situationer eller alvorlige sygdomme, bliver folk mere skeptiske. Og hvem der står bag teknologien, betyder også meget. Hvis teknologien er udviklet af en offentlig institution som Steno eller Aarhus Universitetshospital, er der mere tillid til det, end hvis det kommer fra en tilfældig app fra App Store.

Hvordan kan Danmark positionere sig i AI-kapløbet?

Danmark har en kæmpe fordel med vores sundhedsregistre, men vi skal finde balancen mellem datasikkerhed og innovation. Hvis vi låser os selv for meget fast i reguleringer, risikerer vi at sakke bagud i forhold til lande som USA og Kina.

Hvad er næste skridt i din forskning?

Vi fortsætter med at integrere nye datatyper i prædiktionsmodellerne og undersøger, hvordan vi kan implementere AI på en måde, der giver mening i klinikken. Vi arbejder også med at forstå patientperspektivet bedre, for hvis patienterne ikke har tillid til teknologien, bliver den aldrig brugt.