Kunstig intelligens kan aflaste fremtidens psykiatri – her er hvordan

Forestil dig, at du skal udredes for en psykiatrisk lidelse, og når du møder op, har en form for kunstig intelligens allerede analyseret dine sundhedsdata, hjerneskanninger og blodprøver samt din familiehistorik og genetiske information.

Herudfra laver den en vurdering af sandsynligheden for, at du har en psykisk lidelse og i så fald hvilken.

Det er bare et af flere scenarier for, hvordan nogle forskere i fremtiden håber på at bruge kunstig intelligens i psykiatrien, for ikke alle forskere mener, at kunstig intelligens, også kaldet AI, skal bruges til at diagnosticere.

Uanset om AI vil blive brugt til at understøtte diagnosticering, optimere behandlingsplaner eller analysere patienternes sprog for at vurdere deres psykiatriske tilstand, er en ting dog sikkert:

Den hjælp, kunstig intelligens ville kunne bidrage med i psykiatrien, er tiltrængt.

»Hvis man i fremtiden over hele landet brugte den samme deep learning-model til at understøtte diagnostisering, ville vi sandsynligvis se en lavere variation af diagnoser og behandlinger fra sted til sted,« siger Rosa Lundbye Allesøe, som har skrevet ph.d.-afhandling om brugen af machine learning til at integrere data om psykiske lidelser.

»Forhåbentlig ville det også føre til mere præcis behandling og kortere ventetid. Der er stor mangel på læger og særligt speciallæger i psykiatri, så al hjælp i den retning er godt,« fortsætter Rosa Lundbye Allesøe, der i dag er ansat ved det biomedicinske forskningsinstitut Center for Genomic Regulation i Barcelona.

Træerne vokser dog ikke ind i himlen. Udrulningen af kunstig intelligens i psykiatrien er stadig i sin spæde start, og der er mange børnesygdomme, der skal kureres, før patienter for alvor kan få gavn af AI i behandlingen af psykiske lidelser, vurderer hun.

Håbet om at aflaste en presset psykiatri

Hvis kunstig intelligens allerede var så udviklet, at læger og psykologer kunne bruge det i deres arbejde, ville det sikkert blive hilst velkommen i psykiatrien.

De seneste år har budt på en voldsom stigning i antallet af personer, der henvises til psykiatrisk udredning. Det gælder både blandt børn og unge samt blandt voksne, som i højere grad end nogensinde før bliver diagnosticeret med blandt andet angst, depression og ADHD.

Samtidig er der stor mangel på læger og psykologer, og i de seneste år er den gennemsnitlige ventetid hos landets praktiserende psykiatere steget, så den nu ligger på er mere end 60 ugers ventetid, viser tal, som DR har trukket fra Foreningen af Praktiserende Speciallæger og Sundhed.dk.

Udfordringerne i psykiatrien er ikke begrænset til Danmark, og derfor håber forskere fra hele verden inden for felter som bioinformatik, præcisions-psykiatri og computations-psykiatri, at udviklingen af nye matematiske modeller til at scanne og systematisere store mængder af data kan afhjælpe problemerne.

Indtil videre har man blandt andet eksperimenteret med at lave deep learning-modeller, der skal forudsige, om du har en bestemt diagnose eller er rask. Men her støder vi på et af de første begrænsninger, der længe har kendetegnet udvikling af AI på det psykiatriske område, fortæller Rosa Lundbye Allesøe.

»Forestil dig en patient, der skal have en diagnose, og så siger klinikeren: ‘Er du rask eller har du skizofreni?’ Hvis modellen ikke tager højde for, at andre diagnoser også er en mulighed, er det sandsynligt, at du får en forkert diagnose,« pointerer hun.

Flere af de hidtidige forskningsprojekter har lagt trykket på grundforskning. Det har handlet mere om at teste, om modellerne kan forudsige en bestemt psykisk lidelse, end om at udvikle modeller, der kan bruges i klinisk praksis, lyder det.

Ny AI-model kommer tættere på virkeligheden

Det har netop været Rosa Lundbye Allesøe og hendes kollegers ambition at udvikle en deep learning-model, der netop kommer tættere på den kliniske praksis i en ny videnskabelig artikel, der for nyligt er udgivet i JAMA Psychiatry.

Her har hun sammen med et hold af forskere forsøgt at udvikle en deep learning-model, der kan forudsige, om patienter har enten autisme, ADHD, depression, skizofreni eller bipolar lidelse eller er raske. Det gør den ved at analysere genetisk data og registerdata om blandt andet indlæggelser og sygdom i familien.

»Når du som kliniker skal diagnosticere en patient, står du ikke kun med spørgsmålet: ‘Er den her person rask eller syg?’ Det handler mindst lige så meget om, hvilken diagnose personen skal have for at få den bedst mulige behandling, så den situation har vi prøvet at efterligne,« siger Rosa Lundbye Allesøe, som er førsteforfatter på det nye studie. Under udarbejdelsen var hun ph.d.-studerende på Københavns Universitet og Psykiatrisk Center København.

Det nye studie illustrerer en af de seneste tendenser inden for forskningsfeltet: At udnytte de øgede mængder af tilgængelig data såsom sygdomshistorie i deep learning-modeller, så man kan fange flere dimensioner af den psykiske lidelse. Hidtil har modellernes evne til at anslå risikoen for psykisk lidelse dog været ret svingende.

Skal AI bruges til at diagnosticere?

Når det gælder Rosa Lundbye Allesøe og hendes kollegers forskningsprojekt, så skubber det til grænserne for, hvad de nuværende deep learning-modeller kan. Men det understreger samtidig teknologiens børnesygdomme, mener en forsker i computations-psykiatri, der har læst studiet.

»Det er en styrke, at forskerne her har taget flere diagnoser med i modellen. Det har mange studier hidtil undladt. Det nyeste tiltag er dog, at de har fodret modellen med data fra nationale registre – det har man kun mulighed for i lande som Danmark, som ligger inde med den type data,« siger Andre Marquand, der er professor ved Donders Institute for Brain, Cognition and Behaviour på Radboud Universitet i Holland.

Den største udfordring ved modellen er dog, at den oftere giver falske positiver end et korrekt resultat i forhold til kontrolgruppen. Det vil altså sige, at modellen diagnosticerer langt flere raske med en psykisk lidelse, end hvad der er realistisk i forhold til, hvor mange mennesker med psykiske lidelser, der er i den generelle befolkning.

Det er et godt eksempel på AI’s begrænsninger, som til dels handler om, at der stadig er meget, forskerne ikke ved om psykiske lidelser, mener han.

»Jeg ville faktisk undgå at bruge kunstig intelligens i en diagnostisk kontekst, for diagnoser er et meget nuanceret koncept. Psykiatriens måde at klassificere psykiske lidelser er udelukkende baseret på symptomer, fordi vi stadig ikke forstår, hvad der forårsager dem. Hvis vi kan komme til bunds i det, bliver vi måske bedre til at diagnosticere og behandle,« lyder det.

AI skal ikke stå alene

Når modellen regner sig frem til en en for høj andel af mennesker med psykisk lidelser i forhold til, hvordan tallene ser ud i Danmark generelt, skyldes det blandt andet, at modellen er designet til brug i en klinisk sammenhæng, hvor der altid vil være en overrepræsentation af diagnoser, vurderer Rosa Lundbye Allesøe.

Samtidig understreger det to andre overordnede udfordringer ved AI-modeller:

• Visse patienter med forskellige diagnoser har lignende data
• Teknologien er kun så god som dataen, den bliver fodret med

Hvis vi skal starte med punkt et, så handler det om, at nogle af patienterne ligner hinanden utrolig meget i den data, forskerne har adgang til. For eksempel er nogle af de stærkeste indikatorer for at udvikle en psykisk lidelse tidligere psykiske lidelser, alder og familiemedlemmers diagnoser, som ikke fortæller meget om den enkelte sygdom, fortæller Rosa Lundbye Allesøe.

Dertil kommer, at visse psykiatriske diagnoser såsom skizofreni og bipolar lidelse har overlappende symptomer, så det ikke bare er svært for modellen, men også kræver stor faglig viden og tid for klinikere at nå frem til den rette diagnose.

De overlappende symptomer kan man ikke komme udenom, men AI-modeller kan optimeres, ved at forskerne får adgang til mere data på patienterne – for eksempel biologisk data, vurderer Rosa Lundbye Allesøe.

Men selv bedre data er ingen garanti for, at modellen altid vil nå frem til den rigtige diagnose.

Derfor forestiller Rosa Lundbye Allesøe og hendes forskergruppe sig, AI kan blive et værktøj, som klinikere kan bruge til at overskue de store mængder data om patienter. AI bør ikke egenhændigt diagnosticere patienter, men det kan understøtte klinikere i deres beslutning om, hvilken diagnose en patient skal have, lyder det.

Kan opdage mønstre hos den enkelte

Andre Marquand mener slet ikke, at kunstig intelligens skal bruges til diagnostik. I stedet bør det aflaste klinikere på andre områder.

I Predictive Clinical Neuroscience Lab, som han leder, bruger forskerne for eksempel AI til at forudsige, om patienter med klinisk depression vil få et tilbagefald ved at analysere data.

»Mennesker med alvorlig depression vil typisk have perioder, hvor de har det fint og perioder, hvor de falder tilbage i depressionen. Her kan vi bruge kunstig intelligens til at give os et tidligt advarselssignal om, at de er på vej ind i en dårlig periode, så vi kan sætte ind med den rigtige behandling,« siger Andre Marquand.

Det er en simplere opgave, fordi patientens diagnose allerede er slået fast af et menneske, så den kunstige intelligens skal kun forholde sig til en enkelt persons depressive mønstre, lyder det.

Uanset hvordan AI kommer til at blive brugt i fremtidens psykiatri, vil modellerne kun være lige så gode som den data, forskerne putter ind i dem, mener Rosa Lundbye Allesøe.

Hun er ikke længere tilknyttet forskergruppen i biologisk- og præcisionspsykiatri, der står bag studiet, men for dem fortsætter arbejdet. Næste skridt er at undersøge, hvordan man kan bruge avancerede statistiske metoder og machine learning til at dykke dybere ned i de enorme datamængder, som ligger i de elektroniske patientjournaler.

I sidste ende håber de, at deres forskning en dag kan bidrage til mere effektiv og præcis behandling af mennesker med psykiske lidelser.