OpenAI’s ChatGPT tog os med storm og pustede liv i ophedede debatter om alt fra eksamenssnyd til fake news. Fra den ene dag til den anden fik det meste af verden adgang til en type AI med en enorm fascinationskraft. ChatGPT besvarer vores spørgsmål omtrent, som var den et menneske, og misforstår os sjældent. Chatbotten var et historisk teknologisk gennembrud, men computere, der forstår og behandler menneskesprog, er ikke noget nyt. I hospitalsvæsenet har der været forsket i brugen af digital sprogteknologi i årevis, og mens det ikke skaber samme fascination som talende robotter, er der til gengæld ikke behov for lange diskussioner om nytteværdi og slagsider.
På Aalborg Universitets arbejder den israelsk-danske forsker Tomer Sagi og hans kolleger for eksempel på et NLP-projekt med nogle gevinster, der i den grad er til at tage at føle på.
”Vi samarbejder med Region Nordjylland om at hjælpe dem med at forudsige, hvor mange senge de har brug for hvornår og til hvem. For at kunne gøre det, skal vi blandt andet vide, hvem der er indskrevet, og vi skal kunne forudsige, hvor mange, der kommer ind, og hvor længe de bliver liggende,” siger Tomer Sagi, som er adjunkt ved Institut for Datalogi.
Det sidste – at forudsige, hvor længe patienterne bliver liggende – kan et almindeligt menneske ikke læse sig frem til nogen steder. Men det kan en algoritme, hvis den er trænet rigtigt, så det satte Tomer Sagi og hans kolleger sig for at gøre. Optræningen krævede en massiv mængde input fra journaler kombineret med den indlæggelsestid, der var tilknyttet hver enkelt patientjournal.
”Med NLP kunne vi trække de relevante hændelser ud fra journalerne og give en kode til hver af dem. Det drejer sig om ting som særlige diagnoser, almentilstand, rygning, puls og i det hele taget alt, hvad der er beskrevet om hver patient,” siger Tomer Sagi.
Efter at have tilknyttet koder til de mange forskellige hændelser i journalerne, der påvirker indlæggelsestiden, lagde de det hele ind på en tidslinje. Og det er her, når de to typer af informationer samles, at der sker noget spændende. På den baggrund kan algoritmen nemlig trænes op, så den efterfølgende kan forudsige indlæggelsestiden for en ny patient alene ved at se på vedkommendes journal. Hvor på tidslinjen havner denne patient? Hvor længe bliver hun liggende hos os?
”I dag kan vi med ret stor præcision forudsige den forventede varighed af et ophold, og hvad patienten vil få brug for af pleje,” siger Tomer Sagi.
Overbevisende resultater
Det videnskabelige arbejde er endnu ikke publiceret, men resultaterne ligger klar, og Tomer Sagi udlægger gerne nogle nøgletal for os.
”Vi kan sige med 80 procents korrekthed, hvilken indlæggelsestid, patienten vil have inden for bestemte tidsintervaller. For eksempel kan vi se, om en given patient vil være indlagt i mere end syv dage eller vil blive udskrevet inden for to dage,” siger Tomer Sagi.
Den nye viden kan også inddeles på forskellige typer af patienter og på den måde bruges til planlægningen af ressourcerne på de enkelte afdelinger.
Optimisme trods kaotiske data
Tomer Sagi beskriver arbejdet med de meget forskellige journaler og de mange forskellige typer af informationer, de rummer, som ”forfærdeligt kaotisk”. Han tør da heller ikke sætte dato på, hvornår det eventuelt kommer ud at leve på hospitalerne, men trods de udfordringer, de er stødt på undervejs, ser han lyst på det.
”Jeg er optimistisk, og det handler blandt andet om, at studiet er lavet i samarbejde med læger, hvilket styrker kvaliteten. Samtidig kan man også godt sige, at det er et område med mindre risiko end for eksempel diagnostiske værktøjer, som mange læger stadig er meget skeptiske overfor,” siger Tomer Sagi.
Arbejdet er en del af en ph.d.-afhandling, som Emil Riis Hansen påbegyndte for to et halvt år siden. Det specifikke projekt har dog kun varet et halvt års tid, siger han.
Forudsigelse af død
Muligheden for at bruge NLP til at overskue de enorme mængder tekst, der gemmer sig i journaler og notater kan også bidrage mere direkte til bedre behandling. For eksempel inden for kræft. Det forklarer adjunkt i klinisk datavidenskab på Aalborg Universitet, Charles Vesteghem, som forsker i med AI-baserede beslutningsstøtteværktøjer.
”Mange typer kræftmedicin har svære bivirkninger, og derfor vil det sjældent være til patientens gavn at bruge dem, hvis man ved, at hun vil dø inden for kort tid. Vores projekt er derfor at prøve at prædikere korttidsoverlevelsen ved at kunne sige, hvad risikoen er for, at patienten dør inden for 30 dage,” siger Charles Vesteghem.
Den slags forudsigelser er både følsomme og vanskelige, men NLP kan hjælpe med at gøre dem mere præcise. Kernen i Charles Vesteghem og kollegernes arbejde er en avanceret AI-model, som bliver trænet på masser af data fra forskellige kilder. Nogle af dem er blodprøvesvar og scanningsresultater. Andre er journaldata, og det er her, NLP kommer ind i billedet.
”Lægerne vil gerne kende almentilstanden. Hvor godt har patienten det? Kan hun gå rundt? Kan hun leve et normalt liv? En vigtig værdi for det får man via ECOG, som er en skala fra 0 til 5, hvor 0 er normalen og 5 er død. Værdien findes kun i journalnoter, fordi lægen skriver den ned for hver patient ud fra sin vurdering. Ved hjælp af NLP kan vi få computeren til at genkende værdien og levere den til os som data, vi kan bruge,” siger Charles Vesteghem.
Måske den allervigtigste datatype
Problemet med både ECOG og andre data fra patientjournaler har – parallelt til de problemer, Tomer Sagi kæmpede med – traditionelt været, at de ikke står i ét felt, så man kan trække dem ud som strukturerede data. De står i stedet spredt rundt i teksten, og derfor er NLP’s evne til at forstå sprog og at trække de bestemte informationer ud af en tekst som skræddersyet til at løse problemet.
”Vi arbejder også med mere komplekse ting end ECOG. For eksempel komorbiditeter, overvægt, rygning og alkoholisme. Den slags informationer er meget nyttige, når man skal prædikere levetiden, men ligesom ECOG findes de kun i journalnoter. Så for os handler NLP mest af alt om at trække data ud fra journalnoter, så vi kan bruge dem til at træne vores prædiktive AI-model,” siger Charles Vesteghem.
Andre ting, de kigger på at trække ud, men endnu ikke har implementeret i modellen, handler om bivirkninger og patienternes egen vurdering af sværhedsgraden. Viden, der ligeledes er vigtigt i beslutningen om, hvilken type medicin, der er det bedste valg til hver enkelt.
Charles Vesteghem tør endnu ikke sige, præcis hvilken vægt de data, de får fra NLP kommer til at få i modellen. Forventningerne er dog store.
”Vi er stadig i gang med at få data ud, så vi kan ikke sige noget sikkert endnu, men vi ved, at læger primært bruger performance status (patientens evne til at udføre daglige aktiviteter, red.) til at vurdere, om patienten kan få kemo eller ej. Den information har vi kun i journalnoter, og derfor kan vi sige, at informationerne fra NLP-projektet er vigtige, og måske de allervigtigste, men vi ved det ikke præcist endnu,” siger Charles Vesteghem.
Mens selve AI-modellen har været undervejs i cirka tre år, har NLP-elementet været i gang i cirka seks måneder. Inputtet har været journalnoter fra kræftpatienter siden 2008.
Dataproblemer og jura
De to forskeres projekter har forskellige slutmål, men de største barrierer, de har mødt undervejs, minder meget om hinanden. Det handler, som det ofte gør, når læger taler om kunstig intelligens, om data.
”Den største barriere er jura og GDPR og at få adgang til data. Journaler og journalnoter er meget personfølsomme, og det betyder, at den juridiske barriere er den største,” siger Charles Vesteghem ikke uden en vis ærgrelse. Han respekterer som en selvfølge, at man skal være forsigtig med persondata, men lægger heller ikke skjul på, at det ikke er spændende for en forsker at bruge store mængder tid på jura. Og så siger han i øvrigt, at når de måler på det, er der stort set ingen af de involverede patienter, de ikke ønsker, at deres data bruges i kræftforskningen. Ligesom Tomer Sagi er han dog samtidig optimistisk.
”Vi får ikke en AI-model, der kan løse alle vores problemer. Men jeg tror, der kommer mere og mere. Det kræver, at vi finder løsninger på det juridiske, for det er ikke godt nok på plads. Det gør det også svært at opdatere AI-modellerne. De kan blive forældede efter tre år, og så skal du igennem GDPR og EU-certificeringen igen. Så jeg tror, at løsningerne kommer, men jeg tror ikke, at det bliver en tsunami af AI. Jeg tror, det kommer langsomt,” siger Charles Vesteghem.
Tomer Sagi understreger, at han ikke mener, at GDPR og jura kun skal ses som et problem, og han accepterer det som en virkelighed, man som forsker må arbejde med. Men det er tidskrævende og betyder, at det er meget svært at få det helhedsbillede af patienten, som ofte er ønskværdigt.
”Det, vi har brug for i Danmark, er en samlende ramme, der gør det muligt for plejepersonalet – lige fra læger og sygeplejersker til ambulanceførere – at få et komplet billede af patienten og ikke det nuværende, delvise billede,” siger han.
Mange projekter i gang
Mens ChatGPT vandt enorm udbredelse i løbet af få måneder, tager det længere tid at udbrede NLP-teknologien i sundhedvæsenet. Det er, som Charles Vesteghem siger, noget andet at lave algoritmer, der påvirker liv og død end at skrive tekster til marketingformål, som ChatGPT blandt andet bruges til.
Ikke desto mindre er der godt gang i forskningen i det meste af verden, og ifølge Tomer Sagi er der mange lovende studier, man kan trække frem. Teknologien bruges for eksempel til at identificere en bestemt type udiagnosticeret atrieflimren, som kan forårsage slagtilfælde eller hjerteanfald, lynhurtig opsummering af patientjournaler og overvågning af bivirkninger ved lægemidler.
Det sidste studie, som overvåger bivirkninger, adskiller sig ved at bruge data fra sociale medier. De er ifølge Tomer Sagi ikke omfattet af samme GDPR-hensyn som sundhedsdata, hvilket gør alt nemmere. Og derpå er vi tilbage, hvor det hele starter og slutter.
”Det hele handler om data. Om at indsamle data på patienter og strukturere dem og standardisere dem. Sundhedsdata er ofte fragmenterede og ikke kodet på en ensartet måde. Det kan NLP hjælpe os med, så jeg er forsigtigt optimistisk, men det er ikke let,” siger Tomer Sagi.
To store udfordringer
Tomer Sagi peger i særdeles på to store udfordringer for at opnå succes med AI i sundhedsvæsenet.
- Mangel på medicinske forskere. Han har selv udgivet over 50 artikler om AI, og kun i én af dem har der været en læge på forfatterlisten.
- Data. Hvis juraen bliver enklere og mindre krævende, er meget nået, men selv med juraen på plads er der stadig udfordringer med fragmenterede sundhedsdata og manglende ensartethed.
Hvad kan NLP bruges til?
Potentialet for anvendelse af NLP i sundhedsvæsenet er enormt. Nogle teknikker er allerede blevet integreret i klinisk praksis, nogle er lige rundt om hjørnet, og andre er stadig under udvikling. Her er fire mulige anvendelser af NLP inden for sundhed.
- Automatisere medicinsk kodning og journalregistrering ved at analysere og strukturere patientjournaler og kliniske notater. Det sparer tid for sundhedspersonale og forbedrer nøjagtigheden i dataindsamling.
- Analysere patientrapporter og feedback for at identificere mønstre i patientoplevelser og tilfredshed. Det kan føre til forbedringer i behandlingsstrategier og kvaliteten af sundhedsydelser.
- Assistere i diagnoseprocessen ved at analysere symptomer og medicinsk historie, som beskrevet i kliniske notater, for at foreslå mulige diagnoser og øge effektiviteten i diagnosticeringen.
- Forbedre kommunikationen mellem patienter og sundhedspersonale ved at udvikle chatbots og virtuelle assistenter, som kan besvare almindelige spørgsmål, give råd om medicin og hjælpe med at overvåge patienters helbredstilstand.
