Kunstig intelligens kan give diabetikeres hjerner et pusterum

Forestil dig, at du fra den ene dag til den anden pludselig ikke længere kan spise noget uden først at skulle tænke dig grundigt om; uden først at måle dit blodsukker ved at stikke dig selv i fingeren og presse en dråbe blod ud.

Det at købe en is på stranden er ikke længere en uskyldig fornøjelse. Der følger fra nu af bekymring med.

Din hjerne skal konstant være i gang og bliver tynget af bange anelser. Og det står på, fra du slår øjnene op, til du går i seng igen. På intet tidspunkt får du lov til at glemme, at du nu er kronisk syg.

Sådan er hverdagen for personer med diabetes.

Og det handler ikke kun om at huske at tage din medicin. Du skal også selv udregne dosis, alt efter hvad du vælger at putte i munden. Og regnestykket er komplekst.

Tog du cyklen i dag? Så skal dosis måske lidt ned. Fladede du ud på sofaen? Så skal dosis måske lidt op.

Kort fortalt: Din hjerne har aldrig fri.

Men kan kunstig intelligens være et håb for de cirka 450 millioner mennesker på verdensplan, der vurderes at være ramt af type 2 diabetes (T2D)? Kan dét være med til at lette den tunge byrde hos de sygdomsramte og bidrage til en nemmere hverdag?

Det er omdrejningspunktet for denne artikel.

Vi må finde på nye løsninger

Det sætter altså hjernen på overarbejde at skulle holde øje med sit blodsukker dag ud og dag ind. Derudover viser det sig, at en stor del diabetikere ikke er i ordentlig behandling.

På trods af de voksende muligheder for behandling er det nemlig kun omkring 50 procent af alle med type 2 diabetes, der opnår en tilfredsstillende behandling af deres sygdom (se her og her), og det er alarmerende!

Det kan godt være, at de her personer ikke mærker de store konsekvenser i dag. Men på længere sigt kan der vente ubehagelige overraskelser som at miste synet eller at skulle have amputeret en fod, inden det til sidst kan blive fatalt.

Forskning viser, at det primært er på grund af mangel på 'compliance' (overholdelse) af ordineret behandling. Med andre ord: De tager ikke deres medicin, som de skal.

Det kan være forårsaget af mange forskellige faktorer. Det kan være, at de ganske enkelt glemmer det eller måske, at de er bange for at skulle stikke sig med en nål, hvilket stadig er den typiske måde at give insulinbehandling på.

Så det er nødvendigt, at vi finder på nye, innovative løsninger til bedre behandling - ikke mindst fordi der bliver flere og flere mennesker med type 2 diabetes på verdensplan, og der er mangel på sundhedspersonale.

Det vil ikke kun forbedre sundheden og livskvaliteten for de berørte, men også mindske belastningen på de allerede meget pressede sundhedssystemer verden over.

Continuous Glucose Monitoring: En revolutionerende teknologi

Diabetesbehandling har heldigvis gennemgået en revolutionerende transformation i det seneste årti – med nye og spændende teknologier, der kan bane vejen for innovative løsninger og skabe bedre kontrol med sygdommen.

Her har især Continuous Glucose Monitoring (CGM) haft en afgørende rolle. Og den skal vi lige høre lidt om – for det er den teknologi, som den kunstige intelligens kan arbejde sammen med for at give mennesker med type 2 diabetes en tiltrængt hjernepause.

I korte træk er CGM et lille, møntformet medicinsk apparat, som bliver sat på armen med en sensor under huden. Den er i stand til automatisk at aflæse blodsukkerniveauet hvert 5. minut.

Det er en betydelig opgradering fra den traditionelle blodsukkermåling med nål, såkaldt fingerstik, hvor man typisk tager en eller få målinger i løbet af dagen.

CGM måler i realtid, hvilket giver mulighed for en bedre overvågning af blodsukkeret i løbet af dagen.

Forskellen mellem fingerstik og 24 timers CGM-data kan du se på billedet nedenfor. Fingerstikket er illustreret med de to røde prikker, og CGM-målingen er den stiplede blå linje.

Du kan sammenligne det med et puslespil. Hvis du kun har to små brikker til rådighed, vil du ikke være i stand til at afgøre, hvordan det fulde puslespil ser ud.

Først når der samles tilstrækkeligt med sammenhængende brikker, begynder du at se det fulde billede. Og det er præcis, hvad CGM-data giver.

Takket være den løbende optimering af teknologien, den udbyggede evidens for de sundhedsmæssige fordele (se her, her og her) og den større (samt billigere) tilgængelighed af CGM-apparater stiger brugen af teknologien markant lige nu blandt personer med type 2 diabetes.

Kunstig intelligens kan identificere mønstre i data

Hvad så med de massive mængder af data, der bliver produceret som følge af flere CGM-brugere? Findes der en måde, hvorpå vi kan få mere ud af de genererede data?

Og i givet fald hvordan kan vi så i praksis bedst bruge CGM-data til at udvikle de innovative og højt efterspurgte løsninger, der bedst kan lette byrden for patienter og sundhedspersonale?

Kunstig intelligens kan være en del af svaret.

I det seneste par år er der kommet rigtig meget fokus på AI, og hvordan teknologien kommer til at ændre måden, vi lever vores liv på. Det gælder for eksempel opfindelser som ChatGPT, der er i stand til at skrive en fristil for dig med ganske få input, eller Teslas selvkørende biler.

Fællesfaktoren og succeskriteriet for disse opfindelser er alle den samme, nemlig tilgængeligheden af enorme mængder af data!

Kombineret med AI’s evne til at analysere komplekse sammenhænge i enorme datamængder har det åbnet døren til en ny verden af muligheder for innovative løsninger.

Med andre ord: AI er i stand til at identificere mønstre, som vi mennesker ikke selv er i stand til at se. Derfor kan AI spille en afgørende rolle for fremtidens muligheder i den medicinske verden.

Det er vi allerede nu begyndt at se i form af intelligente algoritmer, der hjælper læger til for eksempel mere præcist at opspore ondartet celleaktivitet eller knoglebrud baseret på billeddiagnostiske undersøgelser.

Et lille skridt i den rigtige retning

Da jeg skulle skrive mit ph.d.-projekt, satte jeg mig derfor for at undersøge potentielle fordele ved at anvende kunstig intelligens på CGM-data.

Forestil dig for eksempel en situation, hvor en AI-algoritme kunne påminde patienten om at huske sin ordinerede insulininjektion for dagen, hvis den skulle være glemt. Eller en situation hvor lægen kunne assisteres af en AI-algoritme til at træffe den vigtige beslutning om en patients behov for start på insulinbehandling.

Disse er blot et par eksempler på, hvordan AI kunne hjælpe med de eksisterende udfordringer.

Jeg valgte i mit projekt at fokusere på en meget vigtig og anerkendt problemstilling: At støtte personer med type 2 diabetes, der har været dårligt reguleret på tabletbehandling, og som derfor påbegynder insulinbehandling.

Det er den type behandling, hvor man selv sprøjter insulin ind i kroppen.

Mennesker med type 2-diabetes kan ofte udvikle en frygt for basal insulinbehandling, for eksempel på grund af nålesmerter, risiko for hypoglykæmi (for lavt blodsukker, der kan være en livstruende tilstand), vægtøgning og stigmatisering.

For patientgrupper, der skal påbegynde insulinbehandling og oplever denne frygt, kan det være afgørende at have vished for, at det rent faktisk er det helt rigtige valg af behandling for netop dem.

Det vil også have stor betydning for disse grupper at få den nødvendige støtte for både at gøre det lettere at begynde på og efterfølgende fastholde behandlingen over tid.

Kan man lave et AI-drevet alarmsystem?

Konkret fandt jeg ud af, at det potentielt er muligt at udvikle en AI-algoritme, der kan fungere som et alarmsystem, som minder patienter om deres daglige insulin-injektion.

Non-compliance af ordineret behandling er som nævnt et stort og velkendt problem hos insulinkrævende patienter; altså at de simpelthen ikke tager deres medicin, som de skal.

Ved hjælp af simulerede CGM-data fandt jeg, at det var muligt at holde øje med, om patienten har husket at tage sin daglige insulininjektion. Sådan en løsning baseret på CGM-data kan være værdifuld i forhold til...

1. At give feedback til patienten om at gribe ind i tilfælde af udeladt injektion
2. At give klinisk relevant information til sundhedspersonalet, så de bedre kan råde den enkelte patient ud fra dennes individuelle behov

Det er dog vigtigt at understrege, at der er tale om et resultat baseret på simulerede data. Helt konkret er data baseret på en matematisk model, der imiterer rigtige patient-data, men med en masse antagelser og begrænsninger.

For at være sikker på, at alarmsystemet kan bruges i den virkelige verden, vil det derfor være nødvendigt at undersøge det med rigtige patientdata.

CGM-data og muligheden for at forudsige svingninger i blodsukkeret

I denne kontekst undersøgte jeg også, om AI-baserede algoritmer var bedre end mere konventionelle algoritmer til at forudsige blodsukkerniveauet i op til 90 minutter ud i fremtiden.

Her brugte jeg CGM-data til at identificere mønstre i, hvordan blodsukkeret tidligere har opført sig hos de enkelte patienter. Og jeg fandt ud af, at AI-baserede algoritmer kan være fordelagtige som værktøjer til at forudsige fremtidige svingninger i blodsukkeret.

På den måde kan man potentielt forebygge samt forhindre uønskede udsving i blodsukkerniveauerne; især for lavt (hypoglykæmi), som kan være livstruende. Potentielt kan der altså reddes liv.

Hvad så nu?

På trods af udfordringer venter der en lovende fremtid.

Igennem mine tre ph.d.-år har jeg været på en spændende og begivenhedsrig forskningsrejse, hvor jeg har udforsket og undersøgt de ovenstående spørgsmål med mine to gode (og til tider besværlige) venner: CGM-data og AI. Og jeg arbejder fortsat videre med det i dag, hvor jeg udvikler digitale sundhedsprodukter hos Novo Nordisk

Der bliver genereret store mængder CGM-data lige nu, hvilket er forudsætningen for udviklingen af nye AI-algoritmer. Men det er endnu ikke en let sag at få adgang til de ønskede data (hverken i volumen eller kvalitet). Det skyldes blandt andet regulatoriske forhindringer som GDPR-reglerne og økonomi.

I min forskning blev det primære fokus derfor at undersøge udvikling af relevante løsninger på basis af de tilgængelige data; herunder at finde ud af, hvor de største potentialer og begrænsninger ligger, når det kommer til at bruge AI på CGM-data.

Det, vi med sikkerhed kan konstatere, er, at brugen af digitale løsninger i diabetesverdenen har vokseværk og forventes at stige markant i fremtiden.

Samtidig er der en stærk indikation af, at flere vil gøre brug af andre såkaldt connected-teknologier end CGM, såsom aktivitetstrackere og ’intelligente’ insulin-penne.

Disse vil medføre en endnu stærkere strøm af data fra forskellige kilder og dermed bidrage til et mere nøjagtigt og helhedsorienteret billede af patienten. Her vil AI stå på spring til at udnytte de nye muligheder.

Afslutningsvist er det vigtigt for mig at pointere, at der fortsat ligger en række uafdækkede emner foran os, såsom lettere adgang til data for forskere, samt hvordan vi på en velovervejet og etisk måde kan integrere pålidelige og sikre AI-løsninger i den virkelige verden.

Men jeg er overbevist om, at vi kan se frem til en fremtid med AI som en veletableret og integreret del af den medicinske verden, hvor det fungerer som et hjælpende redskab til gavn for både patienter og sundhedspersonale.