Skip to main content


  Ny viden om psykiatri fra Medicinsk Tidsskrift   

Kunstig intelligens i psykiatrien skal skabe skræddersyede behandlinger

Rosa Lundbye Allesøe

Skridt for skridt nærmer forskerne sig en praktisk anvendelse af kunstig intelligens i psykiatrien. Senest er forskere i et nyt studie lykkedes med at finde en computermodel, som kan forudsige risiko for forskellige psykiske lidelser med stor nøjagtighed, kun baseret på registerdata og genetiske data. Mest forudsigelige var de alvorligste sygdomstilfælde.

“Det er positive resultater vi fik, forstået på den måde, at vores model kan bruges som en slags grundstruktur for etablering af fremtidige modeller, der kan rumme alle tilgængelige data og dermed også endnu flere data end dem vi brugte. Dermed er vi kommet et skridt nærmere et værktøj, som klinikerne kan bruge i den diagnostiske proces og til mere præcis forebyggelse og behandling af psykiske lidelser,” siger Rosa Lundbye Allesøe, phd.-studerende, ingeniør og førsteforfatter på studiet, der er offentliggjort i JAMA Psychiatry og som er lavet i regi af Region Hovedstadens Psykiatri.

Hun er ikke i tvivl om, at når den endelige model er på plads, “vil den både kunne lette klinikernes arbejde og sikre en bedre behandling skræddersyet til den enkelte patient”.  

Modellen i det aktuelle studie er blevet til ved at anvende metoden Deep Learning (DL), som er en del af machine learning, også kaldet AI. DL er visse steder allerede i brug som forudsigelsesværktøj inden for andre medicinske områder, såsom brystkræftdiagnostik og forudsigelse af hjertetilfælde ved nødopkald, ligesom det blev brugt ved beslutningstagning under COVID-19-pandemien.

Store begrænsninger

I forhold til psykiske lidelser er Deep Learning endnu ikke i brug men har i tidligere studier vist sig til en vis grad at kunne forudsige både diagnose og prognose inden for psykiske lidelser ved hjælp af datakilder som genetik, MRI, EEG samt kliniske og demografiske data. Dog med store begrænsninger, hvorfor modellerne ikke er i klinisk brug.

I det aktuelle studie har forskerne imidlertid fået skabt en model, der på sigt vil kunne bruges til at forudsige sygdom på tværs af diagnoser, der spænder over flere psykiske lidelser, og dermed i højere grad ligner den kliniske virkelighed. Og konklusionen på studiet lyder, at der både er potentiale i og udfordringer ved en multiklasse forudsigelsesmodel baseret på multimodale data. Potentialet er, at modellen kan udvikles til at opsummere alle historiske diagnostiske data for hver eneste psykiske lidelse, og dermed blive en model, som klinikerne kan bruge sammen med deres almindelige vurderinger til at yde mere standardiseret behandling på tværs af klinikker. Modellen viste sig imidlertid kun at kunne forudsige sygdommenes efterfølgende sværhedsgrad med relativ lav nøjagtighed. Så det, der mangler, er flere analyser og resultater fra andre kohorter. Plus at der skal laves en masse test med patienter, ligesom de etiske forhold skal afklares, forklarer Rosa Allesøe.

Flere data kan gøre modellen bedre

Studiet rummer data fra godt 63.000 personer, inklusive en kontrolgruppe. Og de sygdomme, der blev set på var ADHD, autisme, depression, bipolar lidelse og skizofreni.

Der blev målt på både, hvor godt man ved hjælp af en AI-model kan forudsige de enkelte sygdomme og hvor godt man kan forudsige på tværs af alle sygdomme. I forhold til enkeltsygdomme var modellen dårligst til at forudsige bipolar lidelse og bedst til skizofreni. Og i forhold til at kunne forudsige på tværs af diagnoserne viste den en stor nøjagtighed, som målt med AUC-skalaen lå på 0,81 overordnet, men afhængig af de diagnoser, der blev prædikteret var AUC-skalaen mellem 0,74 til 0,84 for de specifikke diagnostiske grupper. Da modellen på diagnosetidspunktet skulle forudsige den fremtidige sværhedsgrad af sygdomsforløbet var nøjagtigheden imidlertid kun på mellem 0,65 og 0,72. (AUC = area under the curve, red.)

“Jeg vil sige, at modellen er god til at forudsige sygdom, men ikke god nok til at kunne stå alene,” siger Rosa Allesøe.

Hun pointerer, at der findes meget mere data i og udenfor registrene, som, hvis man tager det hele med og kombinerer det, vil kunne gøre modellen langt bedre. Bl.a. er professor Michael Eriksen Benros, som også er hovedforfatter på dette studie, og hans forskergruppe med base ved Psykiatrisk Center København, i gang med at se på, hvordan man kan anvende multivariate statistiske metoder og machine learning til at analysere de enorme datamængder, som ligger i de elektroniske patientjournaler med detaljerede kliniske informationer til dyb fænotypering af psykiatriske lidelser og til at kortlægge betydningen af kliniske markører for, hvordan psykiatriske lidelser udvikler sig. Den viden, der kommer ud af det, skal anvendes til at udvikle beslutningsstøtte-værktøjer med tilstrækkelig præcision, så de kan anvendes klinisk. Desuden er det målet at få ny viden om forebyggelsesmuligheder, som i sidste ende kan forbedre prognosen for patienter med psykiatriske lidelser.