Kan AI begrænse bivirkninger for kræftpatienter?

Der er sket store fremskridt indenfor behandlingen af kræft de seneste årtier.

Nogle kræftpatienter, selv med spredning til andre organer, kan nu kureres eller leve i årtier med sygdommen under kontrol.

Disse fremskridt er opnået ved at optimere eksisterende behandlingsmuligheder, men også gennem nyskabende tilgange, såsom immunterapi og personlig medicin med målrettede behandlinger.

Desværre vil mange patienter opleve, at deres sygdom enten ikke reagerer på behandling eller udvikler resistens over tid.

Dermed bliver traditionel behandling med kemoterapi den sidste udvej. Med disse behandlinger følger der dog både hyppige og potentielt svære bivirkninger.

Lægerne har derfor et stort ansvar, når de skal afgøre, om behandlingen gør mere skade end gavn.

Målet med vores forskning er at undersøge, hvordan kunstig intelligens (AI, artifical intelligence) kan hjælpe læger med at træffe den rette beslutning.

Bivirkninger forringer livskvaliteten

Behandling af kræft, specielt kemoterapi, har mange bivirkninger, såsom træthed, kvalme eller diarré, og kan i nogle tilfælde føre til livstruende infektioner.

Disse bivirkninger forringer patienters livskvalitet under behandling, men er et nødvendigt onde for at forlænge livet ved at slå kræftcellerne ihjel.

Hvis patienten bliver for svag og dør under eller kort efter behandling, ville medicinen dog kun have bidraget til en yderligere forringelse af livskvaliteten i den sidste tid.

Har patienten altid gavn af behandling?

I et tidligere studie fandt vi, at op imod 20 procent af alle behandlinger med traditionelle stoffer, som eksempelvis gemcitabin der bruges mod bugspytkirtelkræft, gives til patienter, som dør indenfor 30 dage.

En del af forklaringen på dette er, at det er meget svært at forudsige så lang tid før, om en patient er på vej til at dø, og læger er oftest optimistiske omkring overlevelsen.

Med tiden følger erfaring, og de læger, der længe har arbejdet med kræftpatienter, får en bedre fornemmelse for patientens udsigter.

Men det kan stadig være svært at kommunikere til kolleger, patienter og pårørende.

AI kan forudsige risikoen for død

Indenfor AI er der også sket store fremskridt i de seneste år.

Med en konstant forbedring af evnen til at identificere og forudsige komplekse mønstre er det blevet muligt svare på spørgsmål og danne nye billeder, som vi har set hos de meget omtalte algoritmer chatGPT (en chatbot) og DALL-E 2 (en billedgenerator).

Det virker derfor oplagt at benytte AI til at afkode de komplekse mønstre i kræftpatienters journaldata – og på den baggrund forudsige patienternes risiko for død inden for en kort tidshorisont.

På den måde kan AI hjælpe lægerne med at afgøre, om kemoterapi eller smertelindring er den bedste beslutning for den enkelte patient.

Vi har for nyligt publiceret resultater fra et studie, hvor vi har sammenlignet forskellige AI-modellers evne til at forudsige risikoen for død indenfor 30 dage for lungekræftpatienter.

Vi så lovende resultater:

Op til 40 procent af de unødvendige behandlinger med kemoterapi inden for patienternes sidste 30 dage før deres død kan fjernes.

Modellen er trænet på data fra 2000 patienter

For at træne vores algoritme har vi indsamlet en stor mængde data fra mere end 2.000 lungekræftpatienter, som har modtaget behandling på Aalborg Universitetshospital og efterfølgende døde i perioden 2009 til 2019.

De indsamlede data indeholder oplysninger om tidligere eller kroniske sygdomme, blodprøver, patologisvar og tidligere behandling.

Ved hjælp af disse data kunne vi træne AI-modeller til at forudsige 30-dages mortalitet så præcist som muligt for et vilkårligt tidspunkt i patientens behandlingsforløb.

Vi testede en række modeller for at finde den bedste.

Hvad er forklaringen bag algoritmens svar?

Et vigtigt aspekt i udviklingen af en brugbar AI-teknologi til kræftlæger er evnen til at forklare forudsigelsen til lægerne.

Er det eksempelvis patientens blodprøvesvar eller tidligere sygdom, der lægges mest vægt på, når den vurderer risikoen? Det skal lægen vide, når den endelige beslutning træffes.

AI-modeller betragtes tit som en ’sort boks’, hvor de mønstre, AI’en finder, er så komplekse, at det er svært at forklare svaret.

I vores tilfælde vil modellens manglende evne til at forklare sig selv kunne føre til, at behandling ikke stoppes i tide, og at patienten dermed udsættes for unødvendige bivirkninger.

I vores studie har vi derfor inkluderet en metode, der øger vores AI-models evne til at forklare sine svar, ved at evaluere hvor vigtig hver af de variable, den bruger, er for det svar, der gives.

Dette giver lægerne bedre mulighed for at vurdere svaret og potentielt lære af det.

Næste skridt: Virker det i praksis?

Det næste skridt i vores forskning er at implementere en fungerende prototype af vores model på hospitalet.

Målet med prototypen er at sikre, at værktøjet virker efter hensigten.

Uden at have negative konsekvenser for patienternes overlevelse skal AI’en kunne begrænse brugen af unødvendig behandling for kræftpatienter tæt på døden.

Ideelt set skulle korrekt brug af værktøjet føre til en tidligere henvisning til palliativ behandling (lindring) for de patienter, som vil have mest gavn af det.

Hvis forsøget med prototypen kan bekræfte, at AI-værktøjet virker, altså, at det ikke fører til, at behandling stoppes for tidligt, vil vi arbejde videre mod et fuldt funktionelt værktøj, som kan bruges som beslutnings-støtte i lægernes daglige arbejde.

Første skridt er en implementering i Region Nordjylland, men vores ambition er på sigt at kunne udvide til resten af Danmark og derefter Europa.

Vi håber, dette kan hjælpe med at begrænse unødvendig skade fra behandling for kræftpatienter i deres sidste dage og give dem mulighed for at tage afsked med deres familie under bedre omstændigheder.