Hin svokallaða fjórða iðnbylting vísar til örra tækniframfara undanfarinna ára, t.d. í stafrænum lausnum, vélmennum, interneti hlutanna og sjálfkeyrandi farartækjum. Framfarir á þessum sviðum byggja oft á rannsóknum og þróun á sviði gervigreindar með það að markmiði að gera tölvum kleift að skilja upplýsingar og nota þær til að taka ákvarðanir á svipaðan máta og mannfólkið gerir. Í þessu sambandi má sérstaklega nefna að aukið reikniafl og stærri gagnasöfn hafa leitt af sér mjög hraðar framfarir í þróun og beitingu svokallaðra djúptauganeta (e. deep neural networks), sem er ein tegund gervigreindarlíkana. Líklegt má telja að innan fárra ára verði gervigreind orðin allt umlykjandi í okkar daglega lífi og hún verði notuð til að greina gögn og taka ákvarðanir á mörgum ólíkum sviðum, eins og í fjártækni, í menntakerfinu, í iðnaði og í heilbrigðiskerfinu.

Það er vel þekkt vandamál hérlendis sem erlendis að álag er mikið á heilbrigðisstarfsfólki — sífellt færri þurfa að sinna fleiri verkefnum og sjúklingum. Veruleg þörf er því á tæknilausnum sem geta dregið úr álagi á heilbrigðisstarfsfólk. Í þessari grein verður í stuttu máli sagt frá notkun gervigreindar í heilbrigðiskerfinu í fjórum rannsóknar- og þróunarverkefnum sem vísindamenn og nemendur við Háskólinn í Reykjavík (HR) og læknar á Heilsugæslu höfuðborgarsvæðisins (HH) hafa unnið saman að frá árinu 2021.

Klínískar greiningar
Markmiðið með fyrsta verkefninu var að kanna hagkvæmni þess að nota vélnámslíkön (e. machine learning models) fyrir klínískar greiningar. Verkefnið samanstóð af tveimur undirmarkmiðum: Í fyrsta lagi að nota djúptauganet til að þróa útdráttarlíkan sem dregur út einkenni úr íslenskum sjúkraskrám og í öðru lagi að nota einkennin til að þjálfa greiningarlíkan með aðferðum gervigreindar sem spáir fyrir um klínískar greiningar. Gagnasafnið saman stendur af nótum úr sjúkraskrám sjúklinga HH. Hluti gagnasafnsins var handmerktur þannig að sérhvert klínískt einkenni í nótu var merkt, ásamt því textabili í nótunni sem vísar í viðkomandi einkenni. Djúptauganet voru síðan þjálfuð með því́ að nota handmerktu nóturnar og spurningu um einkenni sjúklings sem inntak, með það að markmiði að besta fyrir því textabili sem inniheldur svarið við spurningunni. Þannig lærði útdráttarlíkanið að draga út klínísk einkenni sem tengjast þeirri spurningu sem sett er fram í samhengi við viðkomandi nótu. Greiningarlíkan var síðan þjálfað til að taka inn einkenni frá útdráttarlíkaninu og skila klínískri greiningu sem úttaki. Niðurstaða í aftursýnni rannsókn var sú að gervigreindarlíkanið stóð sig betur við greiningar á tilteknum höfuðverkjasjúkdómum samanborið við meðaltal greininga sérfræðinga og sérnámslækna á heilsugæslu^[1].

Einkennastigun
Í öðru verkefninu^[2] var markmiðið að þjálfa vélnámslíkan til að einkennastiga (e. triage) sjúklinga með öndunarfærasjúkdóma áður en þeir koma á heilsugæslu og skoða hversu vel líkanið einkennastigar þá í samhengi við útkomur þeirra, þ.e. hvernig sjúklingunum farnast eftir að þeir koma á heilsugæslu^[3]. Í þessu verkefni var greiningarlíkan þjálfað á svipaðan hátt og í fyrsta verkefninu en í stað þess að spá beint fyrir um greiningar var líkanið þjálfað til þess að spá fyrir líkindum á öndunarfærasjúkdómi í neðri öndunarfærum í hópi sjúklinga með öndunarfæraeinkenni. Frammistaða líkansins var metin á prófunargagnasafni rúmlega 1100 sjúklinga og skoðuð í samhengi við útkomur sem vitað er að hafa fylgni við alvarleika sjúkdóms í öndunarfærum. Líkanið einkennastigaði sjúklingana þannig að sjúklingar með háa áhættu á alvarlegum öndunarfærasjúkdómi röðuðust allir í efstu fimm flokkana en sjúklingar með lága áhættu í þá neðstu fimm. Líkanið opnar einnig á þann möguleika að meðhöndla fjórðung sjúklinga með öndunarfæraeinkenni heima hjá sér ásamt því að fækka sýklalyfjameðhöndlun um 25% og tilvísun í röntgenmyndir af lungum um 30%.    

Greiningar- og ráðgjafarviðmót
Þriðja verkefnið^[4] er framhald af fyrstu tveimur verkefnunum. Meginmarkmið þess er að þróa og meta tvenns konar vefviðmót: Annars vegar er um að ræða greiningarviðmót sem notar gervigreind til þess að greina sjúkdóma og alvarleika þeirra á sjálfvirkan hátt og hins vegar ráðgjafarviðmót sem birtir ráðleggingar byggðar á greiningu sjúklingsins. Áhrif notkunar þessa hugbúnaðar á skjólstæðinga og starfsmenn verða rannsökuð og þess er vænst að með hugbúnaðinum verði hægt að koma á umtalsverðum endurbótum á flæði og meðferð sjúklinga og auðlindanotkun í heilbrigðiskerfinu. Notkun greiningarkerfa í heilbrigðiskerfinu á Íslandi í dag er lítil sem engin og að mestu á rannsóknarstigi erlendis. Með þessum hugbúnaði getur sjúklingur svarað spurningum um komuástæður og einkenni sín og fengið ráðleggingar um hvort þörf sé á komu á heilsugæslu eða hvort fjarviðtal dugi til. Í verkefni nr. 2, sem lýst var hér að ofan, var sýnt fram á að greiningarkerfið getur greint sjúklinga fyrir komu á heilsugæslu og hvort frekara mat læknis þurfi eða hvort einkennameðferð heima dugi til. Það getur sparað komur tugþúsunda sjúklinga á ári og í leiðinni minnkað verulega notkun sýklalyfja og myndrannsókna.

Spjallmenni og GPT-líkön
Heilbrigðisstarfsfólk eyðir gríðarlegum tíma í pappírsvinnu og skriffinnsku sem væri hægt að minnka að miklu leyti með aðstoð gervigreindar, þá einkum GPT-líkana. Undanfarin ár hafa sjúklingar haft möguleikann á því að senda skilaboð beint til heilbrigðisstarfsfólks til þess að auka aðgengi að heilbrigðisþjónustu. Fjöldi skilaboða sem berst er hins vegar svo mikill að starfsfólk hefur ekki undan að svara þeim og neyðist til þess að sinna þeim utan vinnutíma. Ritarar eyða að meðaltali 90 mínútum daglega og læknar 50 mínútum í að svara skilaboðum og samkvæmt rannsóknum eru sterk tengsl á milli fjölda slíkra skilaboða og kulnunar í starfi. Þessum tíma væri betur varið í að sinna sjúklingunum með beinum hætti en verulegur skortur er á heilbrigðisstarfsfólki og biðtími eftir tíma hjá lækni hleypur á mánuðum á flestum heilsugæslustöðvum. Meirihluti skilaboða sem berast eru beiðnir um tilvísanir í rannsóknir, til annarra stofnana eða sérfræðinga, endurnýjun lyfseðla eða óskir um vottorð. Spjallkerfi, sem nýta stór mállíkön eins og GPT til þess að skilja og mynda mál, geta greint beiðnir frá notendum, sótt viðeigandi gögn úr sjúkraskrám, fyllt út form og útbúið tillögur að svörum sem heilbrigðisstarfsfólk getur svo ákveðið að senda til baka til notandans eða ekki. Ávinningurinn felst í að losna við leitina að gögnunum, að fylla út formin eða útbúa þau skjöl sem viðkomandi þarf á að halda. Með því að sjálfvirknivæða pappírsvinnu með þessum hætti eykst tíminn sem heilbrigðisstarfsfólk fær til þess að geta sinnt skjól stæðingum sínum - okkur öllum.

Í fjórða verkefninu, sem er nú að hefjast, er ætlunin að skoða nýtingu slíkra líkana við formyndun á svörum við rafrænum skilaboðum frá sjúklingum sem koma í gegnum Heilsu veru. Mikilvægt er að meta hvort og hversu mikinn tíma slík líkön geta sparað, hvaða áhrif þau hafa á vinnuálag og hversu gæðamikil svör slíkt kerfi getur myndað samanborið við raunveruleg svör heilbrigðis starfsmanna..

Lokaorð
Innleiðing gervigreindarlausna innan heilbrigðiskerfisins er krefjandi og þarfnast varfærni. Í þessum samstarfsverkefnum hér að ofan hafa verið þróuð líkön sem leiða til þess að hægt er að beita gervigreind í heilbrigðiskerfinu á nýjan og skilvirkan máta. Nokkrar mismunandi tegundir stórra mállíkana og annarra gervigreindarlíkana hafa verið metin með vísindalegum aðferðum og í þeim felst verulegt fræðilegt framlag. Hugbúnaður sem byggir á aðferðum á sviði gervigreindar getur haft ófyrirséð áhrif en til þess að auka líkurnar á jákvæðum áhrifum er mikilvægt að vísindamenn innan háskólanna, hugbúnaðarsérfræðingar og heilbrigðisstarfsfólk taki höndum saman við rannsóknir og þróun. Á komandi árum mun notkun gervigreindar og máltækni aukast til muna í heilbrigðiskerfinu og ýmis tækifæri verða því til nýsköpunar og rannsókna á þessu sviði. Í þessu sambandi er vert að benda á að HR býður nú upp á meistaranám í gervigreind og máltækni^[5].

Höfundar: 
Steindór Ellertsson, sérnámslæknir og doktorsnemi við HÍ
Hrafn Loftsson, dósent við tölvunarfræðideild HR
Stefán Ólafsson, lektor við tölvunarfræðideild HR
Emil L. Sigurðsson, prófessor við læknadeild HÍ

Heimildir:

^[1] Steindór Ellertsson, Hrafn Loftsson and Emil L. Sigurðsson. 2021. Artificial intelligence in the GPs office: A retrospective study on diagnostic accuracy. Scandinavian Journal of Primary Health Care, 39(4): 448-458.

^[2] Fyrstu tvö verkefnin voru styrkt af Markáætlun í tungu og tækni og Vísindasjóði Félagi íslenskra heimilislækna á árunum 2021-2022.

^[3] Steindór Ellertsson, Hlynur D. Hlynsson, Hrafn Loftsson and Emil L. Sigurðsson. 2023. Can triaging patients with respiratory symptoms in primary care using artificial intelligence improve patient outcomes? A retrospective diagnostic accuracy study. Annals of Family Medicine, 21(3): 240-248

^[4] Verkefnið var styrkt af Nýsköpunarsjóði námsmanna sumarið 2023.

^[5] https://www.ru.is/meistaranam/tolvunarfraedi/maltaekni/