Fra LyLe Fokus, april 2023:

Machine learning (ML)* er en computerbaseret metode, der giver mulighed for at håndtere meget store datamængder og finde mønstre i dem. ML kan – ved hjælp af de store mængder sundhedsdata, der er akkumuleret i det danske sundhedssystem – skabe helt nye muligheder for at give den enkelte patient en meget individuelt tilpasset behandling. Vi har talt med overlæge Carsten Utoft Niemann, der forudser, at ML bliver det næste paradigmeskifte i behandlingen af hæmatologiske sygdomme.

”Grundlæggende består lægekunst i at samle eksisterende viden og erfaringer om sygdomme, behandlinger og så detaljeret viden som muligt om den patient, man sidder overfor, og med det udgangspunkt gøre det rigtige for netop den patient. Nøglen til succes er mønstergenkendelse, og det er det, vi prøver at gøre i en meget avanceret form med ML eller datadrevet lægekunst, som jeg foretrækker at kalde det,” forklarer Carsten Utoft Niemann, der er forsker og overlæge på afdelingen for Blodsygdomme på Rigshospitalet. Han fortsætter:

”Det kan lyde højtragende, men skåret helt ind til benet handler det om at udvikle intelligente støtteredskaber, der kan bistå og hjælpe lægen med at gennemskue, hvilken behandlingsstrategi der er bedst for den enkelte patient.”

Når en hæmatolog skal hjælpe en patient med CLL eller lymfekræft, skal han/hun i princippet indtænke al den viden og alle de data, der er akkumuleret gennem de sidste 20 år fra 60.000 patienter. Det kan fx være data om den specifikke sygdom og dens varianter, om andre sygdomme, patienten måtte have haft, hvilken medicin han eller hun har fået, blodprøver og en hel masse andet. Det vil sige tusindvis af variable om hver enkelt patient, og dertil kommer som noget forholdsvis nyt også genetiske data. Det betyder, at lægerne har meget store mængder data at forholde sig til. Langt mere end noget menneske kan overskue og finde mønstre i, og det er her machine learning kommer ind i billedet. Den metode kan hjælpe med at træffe beslutninger og skræddersy behandlingsforløb, der er tilpasset den enkelte patients unikke behov. Teknologien er ikke helt ny, men det er først nu, at den for alvor begynder at være moden til at blive taget i brug i klinisk praksis.

I Danmark har vi meget omfattende sundhedsdata på alle de individer, der har været i berøring med sundhedssystemet, og det er dette fælles gode, der kan bruges til at afkode mønstre hos den patient, lægen sidder overfor. Men det kræver masser af computerkraft. Datadrevet lægekunst kan med andre ord med meget stor sikkerhed afkode mønstre, der kan sige noget om, hvad der er den rigtige behandlingsstrategi for den enkelte patient, og hvad der fx udgør en særlig risiko.

Bedre mønstergenkendelse er vejen til bedre behandling

”I dag bidrager kliniske undersøgelser med informationer om, hvorvidt en bestemt behandling forbedrer den gennemsnitlige samlede overlevelse for en patientgruppe, men de giver ikke indblik i præcis, hvilke patienter behandlingen virker godt og skidt for. Vi kan lave subanalyser, hvor vi undersøger indvirkningen af en bestemt variabel, men disse analyser laves ud fra en forudsætning om, at alle variable er jævnt fordelt i patientpopulationen – og sådan er virkeligheden jo ikke,” siger Carsten Utoft Niemann.

”Vi ved, at for en fjerdedel af alle CLL-patienter er det første, der sker, at de får en alvorlig infektion. Vi ved også, at nogle patienter, hvis de får en bestemt behandling, er i risiko for at udvikle hjerterytme-forstyrrelser. Hvis de får en anden behandling, kan det indebære en stor risiko for infektion, og hos nogle patenter kan en bestemt behandling udløse en risiko for at udvikle en helt anden type kræft. Bedre mønstergenkendelse kan hjælpe os til med større sikkerhed at anbefale den rette behandling til en konkret patient.”

På ASH i december 2022 præsenterede Carsten Utoft Niemann et opsigtsvækkende abstract (en videnskabelig artikel) med titlen ’Identifying CLL Patients at High Risk of Infection on Treatment Using Machine Learning’ (Identifikation af CLL-patienter med høj risiko for infektion under behandling ved hjælp af ML)’.

Studiet inkluderede data fra 647 patienter med CLL, der var blevet behandlet i Danmark frem til 2020. Data var indhentet fra det danske CLL-register og diverse elektroniske databaser samt journaler. De store mængder data blev behandlet i anonymiseret form med en særlig computer-metode med det formål at udpege patienter, som var i særlig høj risiko for at få alvorlige infektioner i forbindelse med behandlingen. Studiet viste, at det var muligt at forudsige risikoen for patienter forud for opstart af behandling på tværs af forskellige behandlingsregimer. Dengang udtalte Carsten Utoft Niemann til Hæmatologisk Tidsskrift, at disse ”data var første skridt i retning af reel præcisionsmedicin”.

Hidtil har lægerne – med udgangspunkt i videnskabelige studier – kunne sige noget om, hvordan det vil gå patienten ud fra gennemsnitsbetragtninger. Det er en relativt upræcis metode, når det gælder den enkelte patient. Med ML kan man komme meget tættere på, hvad der vil være den rigtige behandling for en specifik patient, både hvad angår effekten af behandlingen, og hvordan den påvirker patientens livskvalitet. Det hele er baseret på matematiske metoder – algoritmer – der kan skabe behandlingsstrategier, der er meget mere præcise, end det hidtil har været muligt.

”Vi har i mange år troet, at det var genetikken, der kunne hjælpe os med at skabe præcis behandling, men nu ser det ud som om, vi faktisk har overset en meget stor mængde ’rutinedata’, som ligger i vores journalsystemer. Med datadrevet lægekunst har vi fået værktøjer til at finde helt andre mønstre, hvor netop rutinedata har vist sig at spille en særlig rolle. Det har været en øjenåbner,” fortæller Carsten Utoft Niemann.

Sidste år lykkedes vi med at få vores første datadrevne mønstergenkendelse-algoritme ind i journalsystemet. Det betyder, at vi, hver gang vi står over for en ny patient med CLL, har mulighed for at få en vurdering af, hvor stor risikoen er for, at denne patient får en alvorlig infektion inden for det første år efter diagnosen, eller om patienten får brug for behandling inden for de næste to år. Men dette er kun begyndelsen. Min vision er, at vi kan bruge mønstergenkendelsen, hver gang vi prøver noget nyt eller ændrer et eller andet i behandlingen, til at få sikre tilbagemeldinger om, hvordan det så går. Jeg forudser, at det danske sundhedsvæsen i fremtiden kommer til at fungere som et kæmpestort data warehouse, hvor vi ved brug af blandt andet Machine Learning kan skræddersy forløb, der er tilpasset den enkelte patients unikke behov,” siger Carsten Utoft Niemann, samtidig med at han gør det klart, at brugen af ML aldrig vil kunne stå alene. ML er et beslutningsstøtteværktøj, der kan understøtte en behandlingsbeslutning.”

”Min vision er, at det danske sundhedsvæsen i fremtiden kommer til at fungere som et kæmpestort data warehouse, hvor vi ved brug af blandt andet Machine Learning kan skræddersy forløb, der er tilpasset den enkelte patients unikke behov.”

Hurtigere adgang til nye behandlinger – men lægemiddelfirmaerne skal være mere modige

Medicinrådet afviser jævnligt dansk ibrugtagning af nye, avancerede lægemidler, fordi de er for dyre. Vil datadreven lægekunst åbne op for en nemmere og hurtigere adgang til nye behandlinger, fordi man simpelthen vil kunne bruge dem mere rationelt og effektivt?

”Ja. Med data-teknologiens hjælp kan vi meget præcist udpege de specifikke patienter, der har gavn af en ny behandling. Dermed spilder vi ikke dyr medicin på patienter, der ikke har den fulde gavn af den eller som endda får for mange bivirkninger af netop denne behandling. Når vi kan sikre, at det er de ’rigtige’ patienter, der får den nye behandling – dem, hvor den vil have en effekt – vil mængden af den medicin, der skal indkøbes, blive mindre. Dermed kan vi spare nogle penge. Der er vi faktisk meget tæt på at være i dag, men der foregår en diskussion, om vi kan acceptere at bruge data på denne måde,” svarer Carsten Utoft Niemann.

”Et godt eksempel kan være brugen af meget dyr CAR-T-cellebehandling i forbindelse med tilbagefald af lymfekræft. Der har vi nu data, som i princippet vil kunne bruges til at finde de patienter, der opfylder kriterierne for at få denne behandling. Udfordringen er her, at lægemiddelfirmaerne har en stor forpligtigelse, som de desværre forsømmer. Det er at gøre alle data fra deres kliniske forsøg tilgængelige for forskere på verdensplan. Som det er i dag, beskytter de deres egne data af konkurrencehensyn. Det går ud over patienterne. Derfor foreslår jeg, at hvis man skal have godkendt medicin inden for EU, så skal man stille sine data til rådighed i et system, der sikrer patienternes krav på datasikkerhed. Der er efter min mening ikke et modsætningsforhold mellem de kommercielle interesser og samfundets interesser her. Firmaerne tjener penge på at forbedre behandlingen af patienter, og som læger og sundhedssystem har vi den samme interesse. Min personlige tilgang er, at hvis der er nogen, der ’stjæler’ mine ideer, så ser jeg det som et skulderklap. Vi er afhængige af et åbent og frit samarbejde mellem industri og sundhedssystem, hvor ingen holder på viden, fordi de tror, det gavner deres egne interesser. Lægemiddelfirmaerne skal være mere modige, så vi nemmere kan give den rigtige medicin til de rigtige patienter.”

”Vi skal blive bedre til at udnytte den enorme erfaring, der lige nu ligger spredt rundt omkring i vores sundhedsvæsen og hos medicinalvirksomhederne. Det vil komme stort set alle patienter til gode,” slutter Carsten Utoft Niemann.

*Hvad er Machine Learning?

Machine Learning (ML) er en gren af kunstig intelligens, der fokuserer på udvikling af algoritmer og modeller, som kan lære at udføre opgaver eller tage beslutninger på baggrund af data.

Det betyder, at en maskine eller computer kan lære fra erfaring, uden at den specifikt er programmeret til at udføre en given opgave. I stedet træner algoritmerne sig selv ved at analysere store mængder data og finde mønstre eller regelmæssigheder i dataene.

ML kan anvendes til en bred vifte af opgaver, herunder billedgenkendelse, talegenkendelse, anbefalingssystemer, naturligt sprogbehandling og meget mere. Det er blevet en stadig mere udbredt teknologi i mange brancher og anvendelsesområder, da det kan automatisere mange opgaver og forbedre præcisionen og effektiviteten af beslutningsprocesser.

(kilde: CHATGPT – https://chat.openai.com)