i allerede ved overraskende, da maskinlæring fra »big data« analyserer data uden forudgående forståelse. Og hvis ønsket er at forbedre patientbehandlingen, virker det hverken rationelt eller forsvarligt at begrænse sig til teknologier, der ignorerer allerede eksisterende viden. Medicinsk viden er ofte repræsenteret i to former: 1. Velfunderet klinisk praksis - som spe- cificeret i kliniske retningslinjer. Ofte baseret på evidens fra store kliniske studier. 2. Indsigt i kausale sammenhænge - for eksempel hvordan fysiologiske mekanismer indgår i et sygdomsbillede. Kliniske retningslinjer er ofte velegnede til at blive omsat til computeriserede protokoller, mens kausalt ræsonnement, forstået gennem årtiers dedikeret fysiologisk forskning, kan udmøntes i matematiske, fysiologiske modeller. Tilgængelig viden repræsenterer gennem disse teknologier således en reel mulighed for at forbedre patientbehandlingen. Eksisterende viden Patienter, som er indlagt på en intensivafdeling, er ofte afhængige af en respirator for at støtte deres vejrtrækning. En vigtig beslutning for disse patienter er, hvor meget ilt, der skal tilføjes den indåndede luft. Der skal nok ilt til, at blodets iltindhold kan sikre tilstrækkelig ilt til kroppens celler. Men for meget ilt kan være farligt. Hvor meget ilt, der skal til, afhænger af den enkelte patients fysiologiske tilstand. Hvis vi ville støtte denne beslutning med kunstig intelligens baseret på data alene, kunne en løsning være at indsamle alle tilgængelige data, der kan relatere iltmængden i den indåndede luft til iltindhold i blodet - og så anvende maskinlæring til at lære, hvor meget ilt der skal til i forskellige situationer. Men denne fremgangsmåde ville ignorere den eksisterende detaljerede matematiske forståelse af lungernes fysiologi. Meget af denne forståelse har eksisteret siden 1940’erne og kan implementeres i intelligente computersystemer, så for- En vigtig beslutning for respiratorpatienter er, hvor meget ilt, der skal tilføjes den indåndede luft. For meget ilt kan være farligt, og mængden skal tilpasses den enkelte patients tilstand. ståelsen repræsenteret ved modellerne kan formidles til den kliniske bruger. Der findes mange lignende eksempler. Inden for intensivbehandling kan regulering af patienters glukoseindhold i blodet for eksempel baseres på matematiske modeller af kroppens transport og lagring af glukose (som for eksempel gjort i Glucosafe-systemet). Og kausale modeller af sandsynligheder for effektiv behandling af, og udvikling af, resistens ved bakterieinfektioner kan anvendes til at støtte valget af antibiotikabehandling (som for eksempel gjort i Treat Stewart-systemet). Målet med at forbedre patientbehandlingen med kunstig intelligens bør således ikke kun søges gennem analyse af store datamængder - men også ved at udnytte eksisterende viden og sikre, at denne viden omsættes til klinisk praksis. AI - fra forskning til praksis Det er vigtigt at forholde sig til de udfordringer, der er forbundet med klinisk integration af kunstig intelligens. Shortliffe og Sepúlveda fremhævede i 2018 i en videnskabelig ledsagetekst i det anerkendte tidsskrift JAMA nødvendige karakteristika for AI-systemer, hvis de skal accepteres og integreres i den kliniske arbejdsgang. Disse karakteristika var transparens, så brugerne forstår systemets råd, effektivitet i forhold til belastning af brugernes arbejde og tid, brugervenlighed, respekt for klinikeren og basis i velfunderet videnskab. Sådanne udfordringer kræver, at udviklerne forholder sig til det kliniske miljø - også de menneskelige aspekter. Hvis disse udfordringer imødekom- | Februar 2020 | 21 M
Download PDF fil
Se arkivet med udgivelser af Medicoteknik her
TechMedias mange andre fagblade kan læses her