AI inom vården: Hur samarbete kan förbättra dataanvändning i kliniska prövningar

Utnyttja möjligheterna med nätverk för massdatadelning

Senast uppdaterad: april 1, 2020 1:02e m

av Mark Aiello med April Crehan

Varför dela data?

Data är utan tvekan det som driver AI. Vid utvecklingen av AI behövs rena, varierande data för att träna systemet, hur välutvecklad eller avancerad lösningen än är. Det är ingen lätt uppgift att komma upp i de enorma volymer högkvalitativa data som krävs för att träna maskiner så att de blir smartare. I synnerhet inom medicin.

Patienter är av förklarliga skäl tveksamma till att dela sina uppgifter (dvs. sina data) med andra än sina läkare. Och läkarna är tvungna att följa lagar och etiska regler för att skydda integriteten. Dessa begränsningar gör dataset med medicinsk information ännu värdefullare. Varför skulle då företag eller institutioner vilja dela sin patientinformation och sina dataset?

Nyttan för samhället är avsevärd. Alla som är inblandade i kliniska prövningar skulle också gynnas direkt av datadelning, då det ger fördelar som förbättrad produktivitet, snabbare reproducerbarhet för resultaten och mindre dubbelarbete.

Ökad produktivitet

Gång på gång visar studier att samarbete förbättrarar arbetet för alla som är inblandade.  Att dela egna data med andra intressenter – patienter, läkare, läkemedelsutvecklare, forskare osv. – kan ge snabbare och mer konstadseffektiva resultat för dataägarna. I en rapport konstaterade Elsevier att delning av forskningsdata ”kan snabba på forskningen”. Rapporten framhävde hur viktigt samarbete är med hjälp av en metaanalys som visade att alla antidepressiva läkemedel är mycket effektivare vid korttidsbehandling av akut depression hos vuxna än behandling med placebo. Analysen (som Elsevier kallar ”den mest omfattande utvärderingen av antidepressiva läkemedel hittills”) gjordes på en kombination av publicerade studier och tidigare opublicerade dataset. Det var de forskare, tillsynsmyndigheter och läkemedelsföretag som delade sitt arbete på begäran som möjliggjorde den här metaanalysen, och författarna publicerade samtliga data för framtida bruk och för att andra ska kunna upprepa analysen. Det innebär att det ursprungliga samarbetet kan få en positiv ringar-på-vattnet-effekt på framtida forskning.

Minskat dubbelarbete och minskad risk

Vi vet alla hur otroligt dyrt det är att utveckla nya läkemedel. I ungefär sju av åtta fall blir de läkemedel som testas aldrig godkända. Tänk vilken fördel att veta redan på förhand om ett annat företag har gått samma väg och inte nått fram. Genom att dela information om framgångar och motgångar kan resurserna omfördelas till en annan väg, en annan molekyl eller en annan sjukdom. Man kan till och med gå direkt på att förbättra det som snart blir tillgängligt. Genom att se felen tidigare och öka transparensen kan man även skydda patienter mot skada. Men än en gång har negativa eller ofullständiga resultat hemlighållits, vilket har fått allvarliga negativa följder (även dödsfall) efter fortsatt användning av läkemedel.

Bevisad effekt

Ju större transparensen är kring rutinerna för forskning och kliniska prövningar, desto lättare är det för andra att ge stöd för (eller motbevisa) någons arbete. Reproducerbarhet är nyckeln till vetenskapliga framsteg och detta förenklas när data är offentliga. Genom att dela testdataset inom AI kan man hjälpa andra att förbättra befintliga AI-system. Ju tidigare forskare hittar områden som kan förbättras, desto snabbare kan de iterera.

Vilka data ska delas?

Trots de uppenbara fördelarna kvarstår en stor utmaning: patienter är tveksamma till att dela sina medicinska data. Hur kan forskare och sponsorer i kliniska prövningar lösa detta? En nyckel för att kunna dela data och därmed driva utvecklingen och tillämpningen av AI framåt inom vården är att anonymisera data och på så sätt dämpa patienternas oro kring integriteten. Att organisera små forskargrupper som är villiga att ha ett ömsesidigt utbyte av anonymiserade data kan vara ett effektivt sätt att uppmunta till att dela information. Vissa regeringar och tidskrifter kräver redan nu en viss nivå av datadelning för att finansiera eller publicera vetenskapliga arbeten. Det uppmuntrar i sin tur forskare att faktiskt dela sina data.

Vad är det då exakt som ska delas?

Dataset

Delning av träningsdataset, grunden i ett AI-system, kan äventyra immateriella rättigheter. Men varför inte ens dela de testdataset som du använder för att bevisa att ditt system fungerar? Om du verkligen tror på AI-systemet du använder skulle någon annan kunna testa sitt eget system med dina data för att se om de kan slå dina resultat.

Resultat

Alla vill visa upp sina framgångar, men motgångar kan vara minst lika informativa. Vi behöver skapa en kultur där människor öppet vågar dela både det som inte fungerar och det som gör det. Andra kan lära sig av dina misstag precis lika mycket som du själv, och kanske kan de lista ut varför det blev fel. Och som vi påpekat tidigare, vi kan rädda liv genom att sprida dåliga nyheter.

Patientpooler

En av de kraftfullaste tillämpningarna av AI är rekrytering och matchning av patienter till kliniska prövningar. Eftersom AI hjälper till att identifiera de perfekta kandidaterna till en viss prövning minskar också behovet av att skydda potentiella deltagare från att lockas över till andra prövningar. Med hjälp av AI kanske du upptäcker att du har patienter i din pool som passar perfekt för en konkurrents kliniska prövning – och tvärtom.

I slutändan kan användningen av AI inom vården och närliggande områden göra det bättre för patienterna. Lite mer delning inom kliniska prövningar kan snabba på innovationer som kan rädda liv, på riktigt.

Vill du läsa mer om hur AI revolutionerar kliniska prövningar? Klicka dig vidare till mer information.

#AI #kliniska prövningar #life sciences #vård #vård

Mark Aiello
Författare
Mark Aiello