Kunstig intelligens kan forudsige, hvem der dør under fremtidige pandemier

Sygdom og behandling 15. mar 2021 5 min Associate Professor Martin Hylleholt Sillesen Skrevet af Morten Busch

Da coronapandemien brød ud, var der stor forvirring om, hvilke mennesker der var i særlig risiko for alvorlig sygdom. Det skabte stor usikkerhed i befolkningen og mange spørgsmål til et i forvejen presset sundhedssystem. Forskere har nu udviklet et kunstigt intelligent system, der med 90 % sikkerhed kan udpege mennesker, der vil dø af sygdommen, hvis de smittes, og med næsten lige så stor sikkerhed udpege, hvilke indlagte der får brug for respiratorhjælp. Systemet kan hjælpe med prioritering af, hvem der skal beskyttes og vaccineres i fremtidige pandemier.

Tænk at kunne taste et par enkelte af sine data ind på en computer. Hvor gammel er du? Hvad er dit køn? Hvad er dit BMI? Trykke på enter og så få svar på, om du bør frygte at blive smittet? Bør min gamle far  Og hvad med min gode ven, der lider af sclerose ? Et nyt kunstigt intelligent computerprogram kan give en del af svaret. Ved at fodre programmet med sundhedsdata fra knap 4.000 danske coronapatienter kan det nu give svar til den enkelte og til sundhedsvæsenet, så man kan agere derefter.

”Systemet kan med 82 % sikkerhed forudse, om en smittet vil blive indlagt og med 72 % sikkerhed fortælle sundhedspersonale, om en indlagt patient kommer på intensiv. Endelig kan det med hele 90 % sikkerhed bestemme, om en person dør af sygdommen. Det betyder, at vi i forbindelse med pandemier meget præcist vil kunne udpege dem i risiko og dermed skabe større tryghed og mulighed for fokus i sundhedssystemet på, hvem der er vigtigst at behandle, og hvem der skal vaccineres først,” fortæller afdelingslæge Martin Hylleholt Sillesen fra Center for Surgical Translational and Artificial Intelligence Research (CSTAR), Afdeling for Organkirurgi og Transplantation på Rigshospitalet.

Få data er nok

Projektet startede egentlig et helt andet sted, nemlig som et system der skulle kunne forudse, hvilke patienter der ville få de sværeste komplikationer efter kirurgiske indgreb, men da forskerne fra Københavns Universitet, Rigshospitalet og Bispebjerg og Frederiksberg Hospital var klar til at teste systemet, ramte coronapandemien. Derfor valgte de at sadle om.

”Vi gik i gang med at arbejde på modellerne som en hjælp til hospitalerne, da de især under første bølge var bange for, at der ikke var nok respiratorer til intensivpatienterne, så hvis vi kunne forudse, hvor mange og især hvilke patienter, der var mest i farezonen, ville det kunne hjælpe med en prioritering,” forklarer Martin Hylleholt Sillesen.

Fra starten af vidste forskerne ikke præcis, hvilke faktorer der var afgørende for, om man var i farezonen. De begyndte derfor at fodre systemet med alle mulige data om tidligere sygdomshistorik og helbredsdata, og sammenholdt med, at den enkelte patients skæbne blev afgjort, blev systemet bedre. I maj måned begyndte det at kunne forudsige, hvor hårdt mennesker rammes af COVID-19.

”Efterhånden som systemet blev bedre og bedre til at forudsige, stod det stadig mere klart for os, at man med ret få faktorer - nemlig BMI, blodtryk, alder og køn - kan komme ret langt i forudsigelserne. Hvis man føjer viden om neurologiske sygdomme, KOL, astma, diabetes og hjertesygdomme, så bliver systemet endnu mere finmasket, og i takt med at vi fik data fra flere og flere patienter, kommer systemet tættere og tættere på 100 % sikkerhed, selvom vi nok aldrig når dertil,” siger Martin Hylleholt Sillesen.

Det er nemlig aldrig kun patientens sundhedsdata, der bestemmer udfaldet. Bland andet spiller selve behandlingen af patienten også en rolle for patientens skæbne. Det så man fx i Italien og andre lande, hvor hospitalerne i en periode var så stærkt overbelastede, at det utvivlsomt har påvirket, hvornår man blev indlagt og kom i den begrænsede mængde respiratorer og ikke mindst, hvor mange der overlevede.

”Den kunstige intelligens kan ikke bare overføres en-til-en fra land til land, men skal optrænes i det enkelte land i forhold til det enkelte sundhedssystem,” siger Martin Hylleholt Sillesen.

Kan ikke erstatte læge

I dag indeholder det kunstigt intelligente system helbredsdata fra 32.536 danske COVID-19-patienter, hvilket gør det muligt med meget stor sikkered at genkende mønstre og sammenhænge i både patienternes forudgående sygdomme og i deres COVID-19-forløb. Alder og BMI er typisk afgørende for, hvor hårdt en person rammes af COVID-19.

”Sandsynligheden for at dø eller ende i respirator er også højere, hvis du er mand, har højt blodtryk eller en neurologisk sygdom. Når vi alligevel endnu ikke uden videre kan implementere systemet på et hospital, så skyldes det dels, at den direkte adgang for systemet til helt aktuelle sundhedsdata ikke er mulig endnu, dels nogle etiske problematikker, der skal afklares, så lige nu kan det først og fremmest bruges som en støtte til de svære beslutninger, som læger kan stå i vedrørende behandling af den enkelte patient,” forklarer medskaber, professor og institutleder Mads Nielsen fra Datalogisk Institut på Københavns Universitet.

Forskerne mener ikke, at computeren nogensinde vil kunne erstatte en læges vurdering, men den kan hjælpe lægen og hospitalerne med at overskue mange COVID-19-smittede patienter på én gang og lave løbende prioriteringer. Med et system, der med 80 % nøjagtighed kan forudsige, hvilke personer der får brug for respirator, kan den kunstige intelligens inden længe hjælpe landets hospitaler med løbende at forudsige behovet for respiratorer.

”Vi arbejder på en målsætning om, at vi skal kunne forudsige behovet for respiratorer fem dage frem i tiden ved at give computeren adgang til sundhedsdata om alle COVID-positive i regionen,” siger Mads Nielsen.

Endnu mere nyttigt mener forskerne, at systemet kan blive i forhold til vaccinationen. Systemet kan med en sikkerhed på 90 % forudsige, om en person, der endnu ikke er smittet, vil dø af COVID-19, hvis de er så uheldige at blive smittet.

”Systemet kan bruges som en mere finkornet måde at identificere, hvem der har mest behov for en vaccine. Mennesker, der passer på en eller flere af de parametre, kan være fornuftige at rykke frem i vaccinekøen,” lyder det fra Mads Nielsen.

Fremtidige pandemier

Selv om det nye kunstigt intelligente system ville have været endnu mere værdifuldt for et år siden, da pandemien brød ud, og stadig potentielt er det under resten af pandemien, så ser forskerne først og fremmest et kæmpe fremtidigt potentiale i det. En af de store udfordringer under første del af coronapandemien var netop usikkerheden om risikoen og det store pres, det skabte på et i forvejen presset sundhedsvæsen.

”Der blev fx meldt ud, at kronisk syge var i særlig risiko, men det gælder jo naturligvis hverken for folk med kronisk hold i nakken og heller ikke for mange andre kroniske lidelser, men mange af dem ringede meget naturligt til deres læge og skabte stort pres på sundhedsvæsenet. Når en ny pandemi kommer, kan vi fra dag 1 være klar til at analysere den nye sygdom og finde de vigtigste risici. Måske kan der endda lande et brev i en e-boks, hvor man kan få at vide, hvilken risiko der er for en selv, og hvordan man skal forholde sig,” siger Martin Hylleholt Sillesen.

På den måde kan man spare mange ressourcer og ikke mindst tid - uger, hvis ikke måneder og dermed være mere på forkant med fremtidige pandemier. Der udestår dog fortsat et teknisk arbejde med at gøre sundhedsdata fra regionen tilgængelige for computeren, der skal udregne risikoen for de smittede patienter, så man i modelarbejdet kan arbejde med aktuelle data fremfor flere uger gamle data.

”I dag er det ikke en mulighed som forsker – kun som behandler. Kan den udfordring løses, kan vi til gengæld skabe et system, hvor man nemt og hurtigt kan screene raske for risiko, indlagte for behandlingsbehov og finde frem til, hvem der skal vaccineres først. COVID-19 har vist, at der er stor forskel på, hvor syge mennesker bliver, når de smittes med en virus. Og ingen ved på forhånd, hvordan man bliver ramt. Med den kunstige intelligens kan vi give svaret – eller i hvert fald den del af det,” slutter Martin Hylleholt Sillesen.

"Developing and validating COVID-19 adverse outcome risk prediction models from a bi-national European cohort of 5594 patients" er udgivet i Scientific Reports. Martin Hylleholt Sillesen modtog i 2019 støtte fra Novo Nordisk Fonden til projektet "Towards precision medicine in surgery - an integrative approach combining deep learning, genetics and epigenetics" og i 2020 til projekterne "Advanced surgical risk prediction through artificial intelligence" og "Applied Artificial Intelligence for real-time risk assessment of patients with COVID-19".

Udforsk emner

Spændende emner

Dansk
© All rights reserved, Sciencenews 2020