Hormoner, data og det kunstig intelligens-gennembrud, som traditionel medicin missede

I årtier har kvinders sundhed været underrepræsenteret i klinisk forskning – understudieret, oversimplificeret og tvunget til at passe ind i modeller bygget op omkring mandlige biologiske gennemsnit. Tilstande, der er formet af hormoncykler, er for eksempel, længe blevet reduceret til statiske kliniske øjeblikke, der misser longitudinale mønstre og misforstår symptomer, hvilket bidrager til forsinkede og forkerte diagnoser.

Det var kun for tre årtier siden, at FDA tillod kvinder at deltage i kliniske studier som deltagere, men kvinder udgør stadig kun 30% af deltagerne i studier – hovedsagelig på grund af lægemiddelindustriens overfokus på deres barselspotentiale og fertilitetsbekymringer.

Konsekvenserne går ud over repræsentationen. En studie fra University of Pittsburgh School of Public Health konkluderede, at de fleste sikkerhedsprofiler for lægemidler er baseret på mandlig biologi og ikke tager hensyn til kvindelig hormonvariation. I forskning om hjertekarsygdommer har underrepræsentationen af kvinder direkte bidraget til forsinkede diagnoser, afviste symptomer og systemiske misdiagnoser.

Siden 2015 har klinisk forskning gjort betydelige fremskridt i ligestilling, men da National Institutes of Health (NIH) offentliggjorde en politik om at tage hensyn til køn som en biologisk variabel i forskning – hvilket indebærer, at man skal tage hensyn til både kvindelige og mandlige variabler i videre videnskabelig undersøgelse.

Der er dog stadig en betydelig forsinkelse mellem politik og praksis. Først nu er der en bredere opblomstring af klinisk rigorøs forskning, der udtrykkeligt tager hensyn til kvindelig biologi, og som er begyndt at materialisere. Og med det, en konvergens af institutionel investering og kunstig intelligens, der lover at omforme feltet.

Den institutionelle vækkelser

Da kliniske data samles, og nye forskningsgaps bliver stadig mere konsekvensrige, dannes en ny alignment mellem videnskab og teknologi, der er rettet mod at bygge systemer op fra bunden omkring biologiske kønsforskelle.

Institutioner har formaliseret denne ændring. American Heart Association har styrket sin fokus på kvinders hjertesundhed med en $75 millioner USD Go Red for Women Venture Fund og en $15 millioner forskningsinitiativ, der undersøger effekten af menstruationscykler på hjerte-kidney-metabolisk (CKM) sundhed.

Samtidig har 2024-2028 NIH-Wide Strategic Plan og en White House Executive Order rettet over $100 millioner USD i ARPA-H-finansiering mod, hvad forskere har kaldt “metaboliske vinduer” – specifikt menopause og menstruationscykler – som svar på bevis for, at næsten 99% af prækliniske aldringsstudier historisk har udeladt disse faktorer. Initiativet er faktisk bakket op af en $15,7 milliarder USD National Academies-anbefaling.

Disse strukturelle ændringer har katalyseret en parallel ændring i, hvordan kvinders sundhedsdata indsamles, fortolkes og handles. En ny generation af platforme oversætter hormonelle og cyklusdata til tilgængelige, klinisk relevante indsigt, der ermögiller kvinder at identificere mønstre, før de udvikler sig til tilstande, som traditionelle metoder måske misfortolker.

“Min egen sundhedskrise var en af de mest frygtindgydende oplevelser i mit liv – og det, det afslørede hurtigt, var, at byrden falder næsten fuldstændigt på patienten på det præcise øjeblik, hun er mindst i stand til at bære det,” sagde Adriana Torosian, grundlægger og administrerende direktør for Ourself Health, til Unite AI.

Ourself Health er en ledende strukturel ændring i, hvordan kvinders sundhed opfattes, opstået fra kvinders personlige oplevelser med dårlig sundhedsdatastyring og ment til at forhindre fremtidige problemer med misalignering af information eller dårlig adgang til datafortolkning.

Det San Francisco-baserede startup har nyligt præsenteret Stella, en kunstig intelligens-drevet sundhedsassistent, der kombinerer verdens førende kvinders sundhedsforskning med brugernes personlige sundhedshistorie.

“Ultimo, blev svaret for mig mit eget data. Jeg formodede, at min cyklus havde direkte indvirkning på min tilstand og fremførte denne hypotese til førende læger, der afviste den fuldstændigt. Den eneste vej frem var at bygge mit eget dataset, finde mine egne svar og derefter bringe mine læger med i min proces – det fuldstændige modsatte af, hvordan jeg havde forventet, det skulle gå,” tilføjede Torosian.

Hvorfor kunstig intelligens ændrer ligningen

Kunstig intelligens ændrer fundamentalt sundhedsdiagnostik, ikke ved at erstatte klinisk dømmekraft, men ved at enable en form for mønstergenkendelse i en skala og kontinuitet, som traditionel sundhed ikke kan replicere. I modsætning til kliniske modeller, der afhænger af episodiske møder, kan kunstig intelligens-systemer kontinuerligt analysere medicinske journaler, biomarkører og realtidsfysiologiske indgange, og opdage korrelationer, som standard sundhed rutinemæssigt misser.

Dette resultat har ført til tidligere og mere præcise diagnoser på tværs af tilstande, fra hjertekarsygdom til kræft – en ændring, der allerede forbedrer patientresultater.

I kvinders sundhed specifikt er denne kapacitet særligt essentiel; hormonsystemer er dynamiske, dybt forbundne og højst individualiserede. Kunstig intelligens-drevne værktøjer er begyndt at brobygge diagnostisk gap ved at enable mere præcis overvågning, forudsigelse og longitudinelle analyser på tværs af reproduktiv sundhed, mødresundhed og gynekologiske tilstande.

Opdyrkende ansøgninger strækker sig fra kunstig intelligens-forbedret fosterbilleddiagnostik til ikke-invasiv opdækning af endometriose, områder hvor traditionel diagnostik har længe kæmpet.

Ourself Healths Stella bygger på denne grundlag ved at operationalisere longitudinelle hormondata, og omdanner mønstre til personlige, tidsbestemte sundhedsanbefalinger i stedet for generelle kliniske retningslinjer.

“Jo mere data en bruger bringer ind i platformen, jo mere præcis og personlig bliver Stellas vejledning. Denne data kommer fra multiple lag: individuelle symptomer, der spores dagligt inden for appen, personlige noter, dokumenter en bruger kan uploade direkte, og kontinuerlige fysiologiske data fra wearables som Apple Watch,” forklarede Torosian.

Ved at gøre dette, flytter værktøjet sig ud over diagnosticering mod beslutningsstøtte – omdefinerer kvinders sundhed som et kontinuerligt, beregneligt system i stedet for en række af ikke-tilkoblede kliniske vertikaler.

“Målet er at lukke gapet mellem, hvad en kvinde ved om sin egen krop, og hvad hendes læge ser i en kort appointment – og at sikre, at hun ankommer til hver interaktion bevæbnet med sin egen data, den seneste relevante forskning og en klar handlingsplan. Stella giver hende alt dette i hendes hænder,” tilføjede grundlæggeren.

En ny beregningslag for et gammelt gap

Forskellen mellem at generere indsigt og producere handlebare anbefalinger er subtil, men klinisk betydelig. Stella AI er designet til at prioritere det sidste, og fortolker longitudinelle tendenser for at generere individualiserede og tidsbestemte anbefalinger, kalibreret til hver brugers hormonelle baseline.

I dens kerne hviler Stellas design på erkendelsen af, at ingen to hormonsystemer er identiske. Ourself-platformen lærer derefter kontinuerligt af hver brugers input, uanset cyklus, symptomer,

“Hvad der stadig mangler for enkelte kvinder er evnen til at tage kontrol nu – uden at vente på, at forskningen indhenter. Det er præcis, hvor Ourself kommer ind; vi kan ikke bede kvinder om at pause deres liv, mens institutioner langsomt lukker finansieringsgapet. Vi kan give dem værktøjerne til at forstå deres egen krop i dag, bygge deres egen sundhedsjournal, træffe informerede beslutninger og tage handlinger med, hvad vi allerede ved – mens den bredere forskningslandskab fortsætter med at udvikle sig omkring dem,” understregede Torosian.

En sådan tilgang transformerer hormonel sundhedsstyring fra en reaktiv disciplin til en proaktiv, hvor interventioner kan tidsbestemmes og tilpasses med en præcision, som konventionelle sundhedsmodeller strukturelt ikke er i stand til at levere.

Men ud over enkelte tilfælde eller visionærer, stiller opblomstringen af bedre – og kunstig intelligens-assisterede – teknologier et nyt beregningslag, der kan gøre kompleksiteten håndterbar og, vigtigst, redde liv.

Da institutioner som NIH og American Heart Association formaliserer omfordeling af ressourcer, oversætter kunstig intelligens denne fremdrift til virkelige resultater. Løftet om disse værktøjer ligger i deres evne til at personificere og operationalisere, hvad medicin har længe observeret, men kæmpet med at anvende: at kvinders sundhed er dynamisk.

Fremtiden for sundhedsvæsen vil ikke blive defineret af befolkningsniveauer-gennemsnit, men af præcision – hvor hver enkelt persons longitudinelle data danner grundlaget for deres sundhed. Og i den forstand er kunstig intelligens ikke erstatning for medicin, men en udvidelse af den ind i et territorium, det aldrig fuldstændigt var udstyret til at navigere, før nu.