AAU logo

Det Sundhedsvidenskabelige Fakultet

Nyheder fra Det Sundhedsvidenskabelige Fakultet

”Matemagisk” forskning

”Matemagisk” forskning

Kan matematik spå om fremtiden? Christian Kruse, der netop er blevet tildelt sin ph.d.-grad på Det Sundhedsvidenskabelige Fakultet, forsker i knogleskørhed og diabetes, og han er ikke i tvivl om, at der i teknologier som ”big data” og ”machine learning” ligger et stort uudnyttet potentiale for bedre og mere målrettet patientbehandling. Det fortæller han om til Aalborg Universitetshospital, og vi gengiver her fortællingen

I Danmark indsamles der hver dag enorme mængder oplysninger om patienter og deres behandling. Ved at kombinere disse på den rigtige måde, kan computere hjælpe lægerne til at opdage nye sygdomssammenhænge og forudsige sygdom, før den opstår.

Sådan lyder i store træk tanken bag brugen af big data og machine learning-teknologier i sundhedsvæsenet. Læge og ph.d.-studerende ved Endokrinologisk Afdeling, Christian Kruse fortæller:

 - I et studie har vi forsøgt at forudsige risikoen for, at en patient får hoftebrud inden for en 5-årig periode. Vi kender risikofaktorer som binyrebarkbehandling og rygning – men hvad trækker i den anden retning, og hvad er vigtigst?

Ved at kombinere data fra afdelingens egne registre og Landspatientregistret fik han Danmarks Statistiks supercomputere til at granske 3,5 mio. danskeres sundhedsdata om alt fra knogletæthed til blodprøver, medicinforbrug og hyppigheden af lægebesøg.

- Vi tog udgangspunkt i samme metodik, som når man i forsikrings- eller bankverdenen skal prøve at forudsige hændelser. Her prøver vi bare at forudsige et hoftebrud.

I modsætning til et traditionelt epidemiologisk studie startede Christian Kruse ikke med at definere, hvilke faktorer, analysen skulle lægge særlig vægt på. Computeren tyggede på alle de oplysninger, som lå i databaserne, og ud kom et svar, som overraskede forskerne:

- Vi blev bekræftet i, at knogletæthed har en stor betydning, og at machine learning kan gøre forudsigelse af hoftefrakturer mere præcis. Men vi så også, at folk der ofte gik til læge og tandlæge i højere grad var beskyttet mod frakturer. Måske fordi deres læge var mere opmærksom, hvis de blev syge. Det var ikke en faktor, der indgik i forudsigelsesmodellerne, fortæller Christian Kruse.

Når matematikken på den måde overrasker forskerne, kan det være en svær kamel at sluge:

- Hvis der er forsket en masse i betydningen af de måske fem forskellige faktorer, som man mener er vigtigst, og vi så har en algoritme, der kigger på 75.000 faktorer, og derefter siger, at en sjette er langt vigtigere, så kan det godt være lidt kontroversielt. Men når vores resultater bygger på matematik og validering, så er det stærke argumenter, siger Christian Kruse.

Større erfaring end tusind læger

Christian Kruse mener, at big data og machine learning i fremtiden vil kunne sikre patienterne bedre forebyggelse og behandling:

- Hvis vi lærer at forstå de data, vi genererer, vil vi bedre kunne identificere den enkelte patients behov. Vi kan iværksætte forebyggende indsatser og gøre udrednings- og kontrolprogrammer mere individuelle. Machine learning vil kunne bruges til screeningsprogrammer og til at inddele patienter i lav- og højrisiko.

Han fortæller, at læger allerede i dag, tænker på samme måde som kunstig intelligens, når de baseret på deres erfaringer, træffer kliniske beslutninger:

- Det er tit, man som læge, siger ”Jeg har set en fuldstændig tilsvarende patient før”. Altså et eller andet sted i lægens hukommelse står der et datapunkt, som minder om den patient, han eller hun står overfor.

Forskellen på en erfaren læge og big data er blot, at computeren kan trække på erfaringer fra tusindvis af patienter, og kan huske hver og én.

- Som læge kommer man aldrig til at se 3,5 mio. patienter eller alle de nuancer, der kan være af en sygdom. Her kan computeren hjælpe og lede lægen på sporet af sammenhænge, som han eller hun enten bliver bekræftet i eller ikke har været opmærksom på.

Hjælp fra blogs og hjemmesider

Christian Kruse har altid interesseret sig for tal og data, så da ph.d.-programmet på Aalborg Universitet gav ham mulighed for at tage kurser på datalogistudiet inden for machine learning og statistisk programmering, sprang han på:

-  Jeg oplevede hurtigt, at de metoder, som de arbejder med – om de så var beregnet på forsikringsstatistik eller forbedring af en selvkørende bil – også var nogen, jeg kunne bruge inden for patientverdenen. 

Ud over studiet har Christian Kruse brugt blogs og hjemmesider til at suge viden til sig:

- Machine learning er stadig et nyt felt, så man må bruge lidt utraditionelle kilder. Heldigvis er der et stort community af folk, som arbejder med det i forskellige sammenhænge, hvor man kan spørge sig frem.

Ikke uden begrænsninger

Selvom big data og machine learning rummer store muligheder, er Christian Kruse opmærksom på ikke at lade sig forblænde:

- Et system er ikke bedre, end de data det består af. Ikke alle diagnoser er lige valide, og der kan være udfordringer at selvrapporterede data. Det kan betyde, at man får et forkert billede ud af systemet i den anden ende. Der er stadig behov for at forske i muligheder og begrænsninger, og jeg håber, at jeg også fremover kan være med til at bidrage til det, slutter han.

 

 

Tekst: Peter Friis Jeppesen, Kommunikation, Aalborg Universitetshospital
Foto: Line Bloch Klostergaard, Kommunikation, Aalborg Universitetshospital