AI inom vården: Hur kan det användas i kliniska prövningar?

av Mark Aiello med April Crehan

Runt om i världen lyfter olika branscher fram artificiell intelligens (AI) som lösningen på alla problem. Vår teknik blir allt smartare, och i vissa fall är fördelarna uppenbara. Snabbare pendling tack vare mobilappar som informerar oss om trafiken. Kylskåp som vet när mjölken är slut och kan beställa ny. Flexibla elnät som anpassar sig efter behovet och integrerar förnybar energi.

Även inom vården erbjuder AI oändliga möjligheter. Men tillämpningen bromsas av invecklade föreskrifter och den effekt som vårdbeslut kan ha, till skillnad från att råka beställa en extra liter mjölk.

Men innan vi pratar om AI i vårdsammanhang måste vi definiera exakt vad vi menar med AI.

Vad är AI?

Artificiell intelligens är ett samlingsnamn för många olika områden som beskriver utvecklingen av datormodeller som kan utföra uppgifter som annars utförs av människor, exempelvis att känna igen mönster och lösa problem. AI kan vara svag eller stark. Om den är svag arbetar systemet utan att nödvändigtvis förstå hur mänsklig intelligens fungerar. Stark AI kan tänka som en människa.

AI kan även vara bred eller smal, precis som de specialområden som den försöker behärska. Alla nuvarande AI-tillämpningar och sådana vi kan förvänta oss att se inom en snar framtid är smala eftersom de har tränats på ett specifikt område för att utföra specifika uppgifter. Till skillnad från den mångsidiga mänskliga intelligensen har dessa system, som har utformats för specifika uppgifter, än så länge begränsade funktioner.

Maskininlärning och djupinlärning

En del av AI är maskininlärning. Maskininlärningssystem anpassar sig när de får tillgång till ny data. Maskinerna ”lär sig” med andra ord av nya data. Programmerare brukar stimulera den här förmågan att bli bättre med hjälp av ett mål med minimalt antal fel. Då förstår systemet vad som ger bra resultat, vilket ökar sannolikheten för att systemet utför liknande steg igen.

En del av maskininlärningen är djupinlärning, den mest spännande av de tre delarna. Djupinlärning definieras som flera lager av igenkänning av egenskaper som gör att systemen kan se både skogen och alla träd. Bildbearbetning av människor och djupinlärningssystem fungerar på ett liknande sätt. På samma sätt som vi kan fokusera på föremål som närmar sig kan djupinlärningssystem betrakta allt mer komplexa egenskaper. Pixlar med en viss placering blir till exempel en linje, och linjer med en viss placering blir en kvadrat.

När vi pratar om AI inom vården brukar vi mena djupinlärning, den typ av intelligens som är den mest användbara men samtidigt även den mest gåtfulla för både skapare och användare. Tillämpningarna och föreskrifterna kring AI-användningen inom vården är minst lika gåtfulla.

Tillämpningar av AI inom vården

Några spännande AI-tillämpningar som redan används inom vården är

• ett system för kontinuerlig glukosövervakning som kan förutsäga svängningar i blodsockernivån


• en app för ansiktsigenkänning som hjälper läkare att diagnostisera genetiska sjukdomar hos patienter med avvikande ansiktsdrag


• en programvara som kan söka i databaser för att hitta små molekyler som sannolikt skulle kunna binda till målproteiner.

Personer som jobbar inom Life Science, allt från kontraktforskningsorganisationer och offentliga organ till allmänheten, fokuserar idag på att skingra mystiken kring AI inom vården. Än så länge arbetar de i motvind. Frågorna jag ställde till våra experter genererade nämligen ännu fler frågor, bland annat:

• Hur ska vi balansera användningen och delningen av personuppgifter för att snabba på innovationen med de integritetspolicyer som lagen och etiken kräver?


• Vilka föreskrifter finns det kring användningen av AI inom vården? Var behöver vi mer vägledning?


• Var används AI redan inom vården? Vilka nya tillämpningar är på gång?


• Det pratas mycket om transparens i klinisk forskning idag. Hur går branschens betoning av transparens och utbildning ihop med användningen av AI inom vården?


• Krävs det en kulturell omställning för att kontraktforskningsorganisationer ska kunna tillämpa AI? Hur ska vi anpassa oss utan att av misstag döma ut vissa grupper som föråldrade?

Jag ser fram emot att utforska dessa frågor på djupet under de kommande veckorna, eftersom vi alla behöver anpassa oss till den snabba förändringen inom Life Sciences.

Var med i diskussionen och berätta vad du tycker! Skriv en kommentar nedan.