AI i sundhedsvæsenet: Hvorfor de fleste løfter ikke holder vand

AI-løfterne holder ikke mål i sundhedsvæsenet

AI-virksomheder som Alphabet’s Isomorphic og Lila lover store gennembrud inden for medicin. De hævder, at "frontier AI kan låse op for dybere videnskabelige indsigter, hurtigere gennembrud og livsforandrende medicin". Men realiteten er en anden: Ingen behandlinger udviklet med AI er endnu blevet godkendt til markedet.

For at bevise, at en AI-løsning virker, kræves det, at den gennemfører et Phase 3 klinisk forsøg – en proces, der typisk tager 10 år og koster over 2 milliarder dollars. For diagnostiske værktøjer skal der dokumenteres klinisk effekt, bestå strenge tredjepartstests og opbygges et fuldt kvalitetsstyringssystem, før produktet overhovedet kan anvendes i klinikken. At opdage og bevise ny menneskelig biologi kan tage årtier.

Den hårde sandhed er, at de fleste AI-systemer i sundhedsvæsenet endnu ikke har bevist deres værdi over for patienter. Isomorphic og Lila har begge markedsført sig med ambitiøse løfter, men ingen behandlinger er blevet godkendt. Marketing påståelser lever sjældent op til virkeligheden, når de konfronteres med de strenge krav i sundhedsvæsenet.

Sådan lukker vi kløften mellem AI og klinikken

For at AI for alvor kan revolutionere sundhedsvæsenet, skal der lukkes kløften mellem, hvor AI-modellerne bliver trænet, og hvor medicinen faktisk bliver anvendt. De mest seriøse AI-virksomheder fokuserer i dag på at bringe AI-udviklede behandlinger gennem kliniske forsøg.

Eksempler på dette inkluderer:

• Insilico Medicine og Recursion, som begge har avanceret AI-opdagede behandlinger gennem kliniske forsøg.
• Owkin, der har taget deres onkologiske lægemiddel OKN4395 ind i Phase 1a klinisk forsøg INVOKE.
• Owkin har desuden trænet deres AI på årelang patientdata og bragt MSIntuit CRC gennem EU’s CE-mærkning til brug inden for patologi.

Denne proces er hårdt arbejde, men den har en stor fordel: Det tvinger AI’en til at blive bedre. Owkin har eksempelvis oplevet, at deres diagnostiske AI-modeller ikke generaliserede godt på tværs af forskellige populationer eller scanningsudstyr. Løsningen var at udvikle robuste metoder til at tilpasse modellerne til lokale forhold og teknologier.

Real-tids feedback: Nøglen til bedre AI i sundhedsvæsenet

For at sikre, at AI-systemer lever op til forventningerne, er det afgørende at integrere real-tids feedback fra patienter i udviklingsprocessen. Traditionelle kliniske forsøg fokuserer kun på de essentielle indikatorer for succes, men Owkin har taget et skridt videre med deres INVOKE-forsøg.

I stedet for blot at evaluere forsøgets fremskridt på traditionel vis, anvender Owkin løbende data fra patientdeltagere til at forbedre AI’en. Når AI’ens forudsigelser om patienters reaktioner viser sig upræcise, bliver modellen genoptrænet på de nye data. Dette skaber en positiv feedback-loop:

• Jo mere data fra virkelige forsøg, desto bedre bliver AI’en.
• Jo bedre AI’en bliver, desto mere effektiv er den for patienterne.
• Jo flere modeller der kan testes, desto større er potentialet for gennembrud.

Denne tilgang er fremtiden for AI i sundhedsvæsenet. Ved at kombinere avanceret AI med klinisk dokumentation kan virksomhederne endelig leve op til de høje forventninger, de selv har skabt.

"At bringe AI til patienterne tvinger os til at løse uventede problemer og gør vores systemer stærkere. Det er en langsom proces, men nødvendig for at sikre, at AI’en virkelig kan gøre en forskel."