Kunstig intelligens forudsiger den enkelte hjertepatients chance for at overleve
Forskere fra Rigshospitalet og Københavns Universitet har udviklet en algoritme, som lynhurtigt kan sortere i hundredvis af journaldata om hjertepatienter, så læger nemmere kan vurdere en patients fremtidige risiko.
En patient med blodprop i hjertet bliver kørt på hospitalet, og lægen har kun kort tid til at danne sig et overblik over patientens sygdomshistorik. Lægen får umiddelbar hjælp af en computeralgoritme, som automatisk sorterer alle journaldata om patientens tidligere og nuværende sygdomme og skriver en risikoscore ind i patientens elektroniske journal i Sundhedsplatformen.
Dette scenarie arbejder forskere fra bl.a. Rigshospitalet og Københavns Universitet i øjeblikket for at gøre til virkelighed. De har udviklet en algoritme baseret på kunstig intelligens, som gør det markant nemmere for læger at vurdere den enkelte patients risiko for at dø af sin kranspulsåresygdom. Denne viden vil bidrage til at kunne identificere dem, der har behov for mere aggressiv behandling og mere opfølgning. Samtidig vil vi få lettere ved at identificere dem, der har lav – eller måske ingen – risiko for komplikationer, og som måske skal behandles og følges mindre.
En af forskerne i projektet er læge og ph.d. Amalie Dahl Haue fra Afdeling for Hjertesygdomme på Rigshospitalet. Hun har stået for at finde patienterne til test af systemerne, kvalitetskontrol af data og udvikling og tolkning af algoritmens estimater. Formålet med forskningen er blandt andet at forbedre behandlingen af den enkelte patient med forsnævringer og forkalkning i kranspulsårene, fortæller Amalie Dahl Haue.
– Vi udnytter den rå computerkraft, som vi efterhånden har fået, til at give mere præcise forudsigelser af, hvordan det kommer til at gå den enkelte patient med kranspulsåresygdom. Vores forskning viser meget lovende resultater, hvad angår algoritmens evne til at forudsige risikoen for død for den enkelte patient, siger Amalie Dahl Haue.
Fra fem til 300 variabler
I dag bruger hospitalerne mere traditionelle værktøjer til at risikostratificere patienter. Her indgår op til 5-10 forskellige parametre. Det kunne for eksempel være data fra undersøgelser af patientens kranspulsårer, oplysninger om blodtryk, kolesteroltal, rygning eller nyresygdom og køn og alder.
– En af algoritmens store fordele er, at den bl.a. baserer sig på de mange sundhedsdata, som allerede er tilgængelige. I øjeblikket indgår der op til mere end 300 variabler, siger Amalie Dahl Haue.
Udover tidligere diagnoser inddrager algoritmen også eventuelle genetiske undersøgelsesresultater og data for en lang række historiske blodprøvesvar, som det kan være svært ”manuelt” at skaffe overblik over. Fodrer man computeren og algoritmen med millioner af denne type data, vil den – gennem kunstig intelligens, et neuralt netværk – over tid lære sig selv at se nogle sammenhænge, man som læge har meget svært ved at finde. Måske kan f.eks. fire år gamle levertal være med til at forfine forudsigelserne for patienterne, når de analyseres i kombination med mange andre data. Ph.d.-studerende Peter Christoffer Holm har stået for det store arbejde med at træne det neurale netværk på omfattede, men nøje udvalgte patientdata.
Ambitionen er, at algoritmen skal integreres som en del af patienternes journaler i Sundhedsplatformen. Det arbejder forskerne i øjeblikket på.
– Vi vil gerne give beslutningsstøtte til lægerne, så når en patient med blodprop i hjertet kommer ind på hospitalet, så kan de med det samme se en score med en risikovurdering og et highlight af de resultater, man bør være opmærksom på, siger Amalie Dahl Haue.
Hun påpeger, at algoritmen ikke må stå alene, men skal ses som et redskab for lægerne i arbejdet med den enkelte patient og i samarbejdet med hinanden.
Koster flest menneskeliv
Forskningen foretages i regi af CAG Precision Diagnostics in Cardiology, som ledes af professor Henning Bundgaard fra Afdeling for Hjertesygdomme på Rigshospitalet og professor Søren Brunak, Novo Nordisk Foundation Center for Protein Research. Denne CAG er et af foreløbigt 18 ambitiøse CAG-forskningspartnerskaber i Hovedstaden og Sjælland. Forskere fra Rigshospitalet, Københavns Universitet og Herlev og Gentofte Hospital forsøger at anvende data til at individualisere og forbedre behandlingen for patienter med en række hjertekarsygdomme.
Kranspulsåresygdom er den sygdom af alle, som koster flest menneskeliv på verdensplan, forklarer overlæge Lia Bang, som sammen med overlæge Dan Høfsten behandler patienter med kranspulsåresygdom i Afdeling for Hjertesygdomme på Rigshospitalet.
– Med denne forskning og algoritme håber vi, at det bliver nemmere at identificere de patienter, der har en god prognose, og de patienter, som har brug for mere fokus og mere aggressiv behandling. Vi håber på, at algoritmen kan understøtte vores arbejde med at personliggøre behandlingen, siger Lia Bang.
FAKTA:
CAG om hjertekarsygdomme
CAG Precision Diagnostics in Cardiology er en af de første Clinical Academic Groups (CAGs), som blev dannet, da Region Hovedstaden og Københavns Universitet i 2017 lancerede det ambitiøse sundhedsvidenskabelige forskningspartnerskab, Copenhagen Health Science Partners (CHSP). Foreløbigt er der etableret et samarbejde for 18 forskningsområder.
Ambitionen med den kardiologiske CAG er at bane vejen for mere individualiseret behandling af hjertepatienter. Øget præcisionsdiagnostik i behandlingen af hjertepatienter indebærer resultater fra detaljerede molekylære og cellulære undersøgelser (omics teknologier) og anvendelse af generelle sundhedsdata. Det er bl.a. data om specifikke kliniske forløb, tidligere og nuværende sygdomme, familiens sygdomshistorie, medicinforbrug og registerdata.
Læge Amalie Dahl Haue er den første forsker, som færdiggør en ph.d.-afhandling i regi af CAG-partnerskabet.
Link til original artikel: Kunstig intelligens forudsiger den enkelte hjertepatients chance for at overleve (rigshospitalet.dk)
