Ny AI-model kan forudse sygdomme 20 år frem i tiden

Forestil dig en digital krystalkugle, der kan forudse, hvilke sygdomme vi bliver ramt af, og hvor syge vi bliver. Det scenarie er rykket et skridt tættere på virkeligheden, efter et internationalt hold af forskere med deltagelse af Københavns Universitet har udviklet en ny AI-model, der kan beregne, hvilke sygdomme vi i fremtiden sandsynligvis bliver ramt af.

Ligesom ChatGPT kan forudsige det næste og mest sandsynlige ord i en sætning, viser forskerne i et nyt studie, at det er det muligt at lave en generativ AI-model, der kan beregne den næste og mest sandsynlige diagnose blandt mere end 1.000 udbredte sygdomme. Studiet er netop udkommet i det anerkendte videnskabelige tidsskrift Nature.

”I dag overlever vi mange sygdomme, der tidligere ville have slået os ihjel. I takt med at vi bliver ældre og ældre, ser vi ind i en fremtid, hvor mange fejler flere sygdomme på én gang, og derfor er vi nødt til at forstå, hvordan sygdommene spiller sammen,” siger Søren Brunak, der er professor på Københavns Universitets Institut for Folkesundhedsvidenskab og en af forskerne bag det nye studie.

AI kortlægger sygdommenes motorveje

Det er nyt, at en metode kan håndtere så mange diagnoser på én gang. Indtil nu har forskere og sundhedsmyndigheder ofte taget udgangspunkt i enkelte sygdomme eller få diagnosers samspil, når de har lavet fremskrivninger af, hvordan sygdommene vil udvikle sig. Men den tilgang tager ikke højde for multisygdom, hvor den samme patient har flere kroniske sygdomme på samme tid.
”De patienter er svære at håndtere. For hvad skal behandles først? Hvor i sundhedsvæsnet skal de gå hen? Multisygdom er en dyr og svær opgave at håndtere, og derfor har vi brug for at kortlægge ”motorvejene” i sygdomsforløbene – altså de forløb, som flest patienter følger,” siger Søren Brunak.
Modellen er trænet på sundhedsdata fra UK BioBank. Her har den lært af 400.000 deltageres sygdomsforløb og livsstil og kan genkende mønstre i, hvordan deres helbred udvikler sig over tid. Viden, som den bruger til at beregne den næste sygdom.
Fordi nogle sygdomme følger mere forudsigelige mønstre, er modellen mere præcis i sine fremskrivninger af diagnoser som hjerteanfald, visse kræfttyper eller blodforgiftning, mens for eksempel graviditetskomplikationer er sværere at forudse.

Mere præcis og målrettet behandling

Selvom modellen er bedst til at lave forudsigelser for grupper eller hele befolkninger, kan det komme den enkelte patient til gode, at behandlerne i sundhedsvæsnet får større viden om sygdommenes udvikling og samspil. På den måde er det lettere at vurdere, om en patient er i øget risiko og skal behandles mere intensivt:
”Idéen med den her model er også, at den kan fremskrive dit sygdomsforløb, så lægen ved, hvor aggressivt du skal behandles fra begyndelsen. For nogle diabetespatienter er det fint at lægge ud med livsstilsomlægning, mens andre med det samme bør behandles med medicin,” siger Søren Brunak.
Også det omvendte scenarie gør sig gældende. Fordi det kan være svært at skelne risiko-patienterne fra de andre, modtager flere patienter en behandling, der ikke er nødvendig.
”Jo mere vi ved om sygdomsudviklingen, jo bedre kan vi også skrue ned for unødvendig overbehandling,” siger Søren Brunak.

Stadig en prototype – men med potentiale

Man skal dog væbne sig med tålmodighed, hvis man forventer at se metoden i brug. Søren Brunak understreger, der stadig kun er tale om en prototype:
”Vi ville undersøge, om det er muligt at udvikle en metode, der kan forholde sig til mere end 1.000 sygdomme på samme tid. Det viser vi med studiet, at det er,” siger han.
Hvis metoden skal være i stand til at forudse både den næste sygdom og den næste igen, er det nødvendigt at træne den på en større mængde data end de omkring 400.000 deltagere, der indgår i det første studie.
Alligevel er forskerne bag imponerede over, hvor præcise beregninger den allerede kan lave, fortæller Laust Mortensen, professor på Institut for Folkesundhed, Københavns Universitet, og forskningsprofessor ved Rockwool Fonden.
”Der er et stort potentiale i vores metode. Selvom den er trænet på britiske data, har vi med danske data vist, at den også med stor nøjagtighed kan bruges i Danmark til at forudse sygdom,” siger Laust Mortensen.