Hvordan patientdata driver fremtiden for sundhedspleje

AI-kapløbet inden for sundhedspleje bevæger sig i stigende grad væk fra spørgsmålet om, hvorvidt maskiner kan generere medicinsk information, og mod et mere væsentligt spørgsmål: hvad sker der, når AI kan arbejde med de patientdata, som klinikere og forskere allerede har?

Tre nylige udviklinger peger på, hvor denne ændring kan være på vej hen.

Først har OpenAI for nylig forbundet ChatGPT for Healthcare med autoriserede Epic elektroniske sundhedsjournaldata, som bringer patient‑specifik klinisk kontekst ind i en AI‑arbejdsproces og potentielt reducerer den tid, klinikere bruger på at søge gennem fragmenterede medicinske journaler.  

Næste, PurpleLab, et data‑ og analysefirma inden for sundhedspleje, har lige netop lanceret CARES, et initiativ til at støtte forskning ved hjælp af deres enorme mængde af real‑world sundhedsdata. 

Og endelig har forskere ved Harvard Medical School udviklet en AI‑model, der bruger eksisterende sundhedsjournaler og genetisk information til at estimere risikoen for hundredvis af sygdomme.

Set sammen antyder de, hvad mange i sundhedssektoren har spekuleret på i længere tid: at patientdata kan være en af sundhedsindustriens mest værdifulde aktiver for innovation i plejen. 

Lad os se nærmere på hver af disse nylige gennembrud inden for patientdata. 

Fra EHR’er til AI‑assistenter

Den 1. september annoncerede OpenAI en Epic-integration for ChatGPT for Healthcare som gør det muligt for autoriserede sundhedsorganisationer at bringe patientinformation ind i AI‑assisterede arbejdsprocesser.

Integration kan hjælpe klinikere med at gennemgå information såsom medicinske noter, medicin, laboratorieresultater og tidligere møder uden manuelt at samle en patients historik fra forskellige dele af journalen. 

Systemet er skrivebeskyttet, hvilket betyder, at AI’en ikke uafhængigt ændrer den medicinske journal.

Den sondring er vigtig. Den umiddelbare mulighed er ikke at erstatte journalen eller lade et AI‑system træffe beslutninger på egen hånd. Det handler om at reducere den tid, klinikere bruger på at finde og syntetisere information.

OpenAI forbinder også ChatGPT for Healthcare med officielle offentlige kilder, herunder PubMed, ClinicalTrials.gov, DailyMed og CMS‑data. 

Den større idé er kombinationen af patientkontekst og ekstern medicinsk evidens i samme arbejdsproces.

Gør real‑world data mere nyttig for forskning

PurpleLab, et data‑ og analysefirma, der blandt andet fokuserer på Real‑World Evidence (RWE) og Real‑World Data (RWD) inden for sundhedssektoren, lancerede for nylig Center for Advancing Real‑World Evidence Studies, eller CARES, med fokus på at hjælpe forskere, akademiske institutioner, evidensnetværk og patientfællesskaber med at bruge real‑world data mere effektivt.

Betydningen går ud over blot at gøre flere data tilgængelige. 

Forskere inden for sundhedspleje har i lang tid stået over for problemer med inkonsistente definitioner, fragmenterede datasæt og vanskeligheder med at reproducere tidligere studier.

CARES er designet omkring reproducerbar forskning, gennemsigtige metoder, akademiske partnerskaber og patientcentreret forskning. 

PurpleLab siger, at forskere kan arbejde med deres real‑world datasæt for at studere behandlingsmønstre, resultater og sundhedsudgifter på tværs af områder som onkologi, kardiologi, mental sundhed og sjældne sygdomme.

Hvis de lykkes, kan initiativer som dette hjælpe med at omdanne rutinemæssigt genereret sundhedsinformation til evidens, der besvarer spørgsmål, som traditionelle kliniske studier ikke altid kan besvare så hurtigt.

“Real‑world evidence er stærkest, når den er stringent, fagfællebedømt og delt åbent. Med PurpleLab CARES demonstrerer vi, hvad vores data kan gøre i hænderne på forskere, akademiske partnere og patientfællesskaber,” sagde Scott DuVall, Senior Vice President, Real‑World Evidence, hos PurpleLab, i en virksomhedsudtalelse. 

Forudsigelse af sygdom før den opstår

På Harvard omdanner forskerhold patientdata til forudsigelsesmotorer. 

En maskinlæringsmodel udviklet af forskere ved Dana-Farber Cancer Institute og Massachusetts General Hospital kan estimere en patients risiko for 348 sygdomme ved at bruge rutinemæssigt indsamlede elektroniske sundhedsjournaler (EHR’er) sammen med genetisk risikoinformation.

Modellen, kaldet Aladynoulli, blev trænet og valideret ved hjælp af data fra mere end 683.000 patientjournaler på tværs af tre biobanker. 

Forskere siger, at den kan opdatere risikovurderinger dynamisk, efterhånden som en patient bliver ældre.

Potentialet er betydeligt. I stedet for kun at betragte den medicinske historik som en optegnelse over, hvad der allerede er sket, kunne AI i stigende grad bruge den til at identificere mønstre, der er forbundet med, hvad der måske vil ske næste gang.

Men her er forsigtighed afgørende. Modellen er indtil videre blevet evalueret ved hjælp af historiske patientdata, og yderligere forskning er nødvendig, før man kan fastslå, hvordan den præsterer i virkelige kliniske miljøer.

Den reelle udfordring er tillid

Fremtiden for AI inden for sundhedssektoren kan derfor afhænge mindre af, hvor imponerende en algoritme lyder, og mere af, om dataene bag den er nøjagtige, repræsentative, sikre og ansvarligt forvaltede.

Patientdata kan afsløre mønstre, som er svære for mennesker at identificere over årtiers medicinsk historik. Men de samme journaler indeholder nogle af de mest følsomme oplysninger, en person genererer.

Når sundhedsorganisationer forbinder EHR‑systemer, forskningsdatabaser og AI‑systemer, vil det centrale spørgsmål ikke blot være, om AI kan udvinde mere værdi fra patientdata.

Det vil være, om sundhedssystemet kan gøre det uden at miste patienternes tillid.

Den balance mellem bedre information og ansvarlig brug kan i sidste ende afgøre, hvor langt AI bevæger sig fra forskningslaboratoriet ind i den daglige sundhedspleje.