AI inom hälso- och sjukvården: Varför de stora löftena inte alltid håller

AI:s höga löften – men få konkreta resultat

AI-företag inom hälsovården gör ofta stora anspråk. Alphabetägda Isomorphic lovar att "gränsöverskridande AI kan frigöra djupare vetenskapliga insikter, snabbare genombrott och livsförändrande läkemedel". Företaget Lila marknadsför sin AI som ett verktyg för "snabbare upptäckter inom alla områden där banbrytande forskning är avgörande".

Investeringarna är stora. Nyligen köpte AI-företaget Anthropic det hemliga startup-företaget Coefficient Bio för 400 miljoner dollar. Men det avgörande testet för all hälso-AI är detsamma: Har den verkligen fungerat på människor? Har den skapat ett läkemedel som räddat liv?

Sanningen är att de flesta företag ännu inte uppnått detta. Ingen behandling har ännu nått marknaden från varken Isomorphic eller Lila. AI:s marknadsföringslöften möter ofta verklighetens hårda verklighet.

Varför är det så svårt att utveckla AI inom hälsovården?

Att göra verklig framgång inom hälsovården är en utmaning. För att testa en ny behandling krävs en fas 3-studie – vilket vanligtvis tar 10 år och kostar 2 miljarder dollar. För att utveckla en ny diagnostisk metod måste man påvisa klinisk nytta, klara rigorösa tredjepartstester och bygga upp ett fullständigt kvalitetsledningssystem innan produkten ens får användas kliniskt.

Att upptäcka och bevisa ny mänsklig biologi kan ta decennier av vetenskapligt arbete. AI-modellerna är ofta tränade på data som inte speglar den komplexa verkligheten inom klinisk vård.

Så stänger vi gapet mellan AI och verklig medicin

Branschen måste minska avståndet mellan hur AI-modeller tränas och hur medicin verkligen fungerar. Det är precis vad de ledande AI-företagen inom hälsovården gör idag.

Exempel på framsteg:

• Insilico Medicine och Recursion: Dessa företag driver AI-utvecklade läkemedel genom kliniska prövningar.
• Owkin: Företaget har tagit sin cancerbehandling OKN4395 in i fas 1a-studien INVOKE. Dessutom har de tränat sin AI på verkliga patientdata under flera år och fått MSIntuit CRC godkänt för kliniskt bruk inom patologi i Europa.

Verkliga patienter skapar bättre AI

Att föra AI till patienter är inte bara viktigt för hälsovården – det tvingar också AI:n att bli bättre. Under utvecklingen av diagnostisk AI upptäckte Owkin att modellerna inte generaliserade väl över olika populationer eller skanningsutrustningar. Lösningen blev att utveckla robusta metoder för att anpassa modellerna till olika miljöer och tekniker.

Owkin har integrerat denna "verklighetskontroll" direkt i strukturen för sin INVOKE-studie. Till skillnad från traditionella studier, där man endast analyserar nödvändiga indikatorer för framgång, använder man löpande data från patienter för att förbättra AI:n.

När AI:ns förutsägelser om patienters respons inte stämmer, återtränas modellen med den verkliga datan för att förbättra prestandan. Det skapar en positiv återkopplingsloop: Ju mer data från verkliga försök, desto bättre blir AI:n, vilket i sin tur leder till bättre resultat för patienterna och fler möjligheter att testa fler modeller.

"Att testa våra modellers resultat med verkliga patienter är så viktigt att vi har byggt in det i strukturen för vår kliniska studie. Det är här branschen är på väg."

Framtidens AI inom hälsovården

AI har potential att revolutionera hälsovården, men endast om företagen fokuserar på verkliga resultat snarare än löften. Genom att integrera AI i kliniska prövningar och använda verkliga patientdata för kontinuerlig förbättring kan branschen stänga gapet mellan teori och praktik. Det kräver hårt arbete, men resultatet – läkemedel och behandlingar som räddar liv – är värt varje insats.