Lege Ishita Barua har tatt en doktorgrad i bruk av KI for å finne forstadier til tarmkreft. Hun har utgitt bok om hvordan KI kan redde liv.

Slik kan kunstig intelligens hindre dødsfall av livstruende sykdom

Vi kan spare flere liv ved å bruke kunstig intelligens i helsevesenet. Flere kan unngå å dø av blodforgiftning. Og det blir enklere å avdekke kreft. Alt ifølge lege Ishita Barua med doktorgrad i KI.

Bærum sykehus og flere andre sykehus i Vestre Viken har tatt i bruk kunstig intelligens for å avdekke beinbrudd og korte ned kø på legevakten. 

Lege Ishita Barua mener dette bare er starten på bruk av KI på norske sykehus.

Hun har tatt en doktorgrad på KI innen medisin ved Universitetet i Oslo. Hun har også vært gjesteforsker ved Harvard Medical School.

– Kunstig intelligens kan bidra til å redde liv og er et effektivt verktøy som kan supplere helsepersonell, sier Barua til forskning.no.

I høst ga hun ut boken «Kunstig intelligens redder liv – AI er legenes nye superkrefter».

Særlig i USA er kunstig intelligens er ferd med å innta sykehusene, forteller hun.

Redder flere fra å dø av blodforgiftning

I USA er KI tatt i bruk som verktøy for å finne ut hvilke pasienter som har høy risiko for å utvikle blodforgiftning. Sepsis er veldig farlig – og gir høy dødelighet. Globalt dør omtrent 20 prosent av dem som får det.

– Symptomene kan være diffuse, og forløpet kan utvikle seg raskt fra feber til alvorlig organsvikt, sier Barua.

Det viktige er å få satt diagnosen tidlig nok, så pasienten kan starte på antibiotika. 

Omtrent 3.000 pasienter dør av sepsis hvert år i Norge. Sepsis er en av de vanligste dødsårsakene ved norske sykehus. 

– Om helsepersonell ikke gjenkjenner faresignalene tidsnok, kan behandlingen komme for sent i gang til at den rekker å virke, forklarer Barua.

Nå har amerikanske forskere ved Johns Hopkins-universitetet utviklet et KI-verktøy som finner pasienter med høy risiko, så de kan få hjelp raskest mulig. Det heter TREWS, Targeted Real-time Early Warning System.

KI slår alarm

– Algoritmen klarer å fange opp 80 prosent av sepsis-tilfellene. Mot 20 til 30 prosent i systemer man har prøvd å lage før, forteller Barua.

Algoritmen er basert på journalnotater, blodprøver, bildediagnostikk som CT og MR-bilder. KI-programmet regner ut en risikoprofil – en score for at pasienter skal utvikle sepsis.

– Hvis risikoen er høy, slår den alarm, slik at helsepersonell kan ile til med antibiotika.

Pasienter får ved hjelp av dette verktøyet startet behandlingen opptil seks timer tidligere enn med tradisjonelle metoder. Og dødeligheten reduseres med 20 prosent, viser en studie i Nature.

Det vil si at 600 liv kanskje kan bli spart i Norge om det tas i bruk.

– Et kinderegg

Dette er ressursbesparende, ifølge Barua. Helsepersonell kan bruke ressurser på dem som er utsatt og slipper å vokte pasienter som ikke har høy risiko for å utvikle sepsis.

– I tillegg reduseres behovet for å gi antibiotika unødvendig, forklarer Barua.

KI kan jobbe dag og natt

Den økende antibiotikaresistensen er et av de største problemene vi står overfor i helsevesenet. 

– Vi er avhengige av å finne nye antibiotika for å unngå å dø av uskyldige kutt i fingeren i fremtiden, forteller hun.

Men hvis mennesker skal finne nye antibiotiske midler, vil det ta oss årtier.

– KI skiller seg fra vanlig menneskelig forskning ved at den kan lete og oppdage nye sorter veldig mye raskere, sier Barua.

KI oppdaget nytt antibiotikum

Kunstig intelligens har allerede oppdaget og utviklet to nye antibiotika, forteller Barua. 

Den ene typen var et mislykket legemiddel mot diabetes som KI fant ut at også har antibiotisk effekt.

Dette er historisk, mener hun. Den første formen for antibiotika ble oppdaget ved en tilfeldighet av Alexander Fleming i 1927. 

Penicillin, det første antibiotikumet, ble funnet av ren og skjær flaks.

Kunstig intelligens kan jobbe systematisk dag og natt, for å finne nye antibiotiske midler. 

– Og dermed danker den ut både menneskelig intelligens og flaks, sier hun.

Ser hva som er tarmkreft og ikke 

KI kan også bli et nyttig verktøy for å avdekke tarmkreft. Koloskopi brukes til å avdekke kreftformen. Legene ser etter polypper inne i tarmen som kan utvikle seg til kreft. De kan fjernes for å hindre kreft.

–  Men det er bare én av ti polypper som har potensial til å bli til kreft, forklarer hun. 

Utfordringen er å finne de farlige.

Ishita Barua tok doktorgraden sin på dette temaet: Kan KI brukes til å få bedre treffsikkerhet?

– Utfordringen er å finne de polyppene som kan bli farlige og hvilke som er uskyldige. KI kan brukes til begge deler.

Barua gjorde en klinisk studie. Hun sammenlignet diagnostisering av farlige polypper ved hjelp av kunstig intelligens med legers prestasjoner på gamlemåten.

Fant at KI er til å stole på

– Treffsikkerheten var om lag like bra i begge tilfellene, forteller hun. 

Det var et kjempegodt resultat som viser at legene gjør en veldig god vurdering, mener hun. 

Samtidig viser studien at KI er til å stole på, understreker hun.

Slik læres maskiner opp i kunstig intelligens

Det er tre måter å lære opp maskinlæringsmodeller på. Veiledet læring, ikke-veiledet læring og forsterket læring. 

Ved veiledet læring kan leger mate datamaskinen med to typer merkede bilder. For eksempel av polypper som kan bli til kreft og dem som ikke kan bli det. Det tar tid å merke så mye data.

Da lærer maskinen seg å skille mellom de to på nye bilder, ut fra bildenes utseende.

Fordelen med å bruke KI-verktøy er at datamaskiner ikke blir slitne. Og de har ikke døgnvariasjon i prestasjoner. 

– Mennesker kan ha en dårlig dag og jobbe saktere enkelte tider på døgnet.

KI blir ikke utbrent

Generelt kan KI brukes som et verdifullt supplement til det meste innen radiologi og bildediagnostikk, mener Barua.

– Det egner seg godt til å diagnostisere kreft og beinbrudd.

Utdannet helsepersonell kan ikke trylles frem. Det kommer til å være en utfordring i fremtiden. Det tar elleve år å utdanne en radiolog. Dette er leger som så tar spesialistutdannelse.

– KI er et verktøy som kan bidra til at leger og helsepersonell tar bedre kliniske beslutninger. Det kan være et viktig bidrag til å redusere forskjeller i kliniske vurderinger, mener hun.

Referanse: 

R. Adams mf: Prospective, multi-site study of patient outcomes after implementation of the TREWS machine learning-based early warning system for sepsis. Nature, 21. juli 2022.

Få med deg ny forskning

Powered by Labrador CMS