Datorn som doktor, Daniel Gillblad och Magnus Boman intervjuade

9 December, 2014 - 13:26

Ur Karolinska Universitetssjukhusets Magasin. Text: Niklas Eriksson

"Framtiden är redan här. Datorn har blivit vår doktor. Men kan maskinernas analyser verkligen ersätta den mänskliga blicken? Niklas Eriksson undersöker hur ny digital teknik förändrar medicinen inom fyra fält – från big data till brustna hjärtan.

Vi står inför ett medicinskt paradigmskifte. Hela den globala sjukvården kommer att förändras i grunden. Eller kanske har det redan börjat. De verkligt stora omdaningarna är ju sällan sådana att de kungörs via ett koncist pressmeddelande.

Ett nyckelord är big data – de gigantiska uppgiftsflöden som samlas in och lagras av det digitalt övervakade livet. När vi redan har så kolossalt mycket information om allt mellan himmel och jord, resonerar man, så är svaret redan i någon bemärkelse ”out there”. Eller som Kevin Weil, produktchef på Twitter, uttryckt det i en ofta citerad slogan: ”Det är inte längre svårt att hitta svaret på en given fråga; det svåra är att ställa de rätta frågorna”.

Big data handlar alltså inte primärt om datans storlek, det handlar om vad man gör med den. Men detta hindrar förstås inte att tillväxthastigheten är galen. Som jämförelse brukar nämnas att cirka 90 procent av vårt digitala universum har genererats bara de två senaste åren. Det betyder att den som vill hänga med i nyhetsflödet nu får plugga in sig på storlekstermer som zettabyte (en miljard biljoner bytes).

Så, den röda mattan är utrullad. Men hur kommer den här digitala revolutionen att se ut? Vem avgör vilka dataströmmar som ska registreras och för vilka syften? Vad kan man göra med dem? Och vad är vi egentligen okej med att andra vet om oss – om våra liv, våra tankar, våra kroppar?

1 Big data och människokroppen

Decision, Networks and Analytics Lab, SICS, Kista

Alla dessa frågor får inte sitt svar här. Men vill man ta ett bett i kanten gör man bäst att åka till Daniel Gillblads kontor på forskningsinstitutet Swedish ICT (SICS) i Kista. Han leder den del som fått namnet DNA, Decision, Networks and Analytics Lab. För säkerhet skull har han tagit med sin kollega Magnus Boman, expert inom beräkningsepidemiologi och professor i intelligenta programvarutjänster vid KTH.

Tillsammans ska vi försöka ge någon sorts generell bild av hur big data kommer att revolutionera framtidens vård. Punkt ett är de ense om: Allt handlar om tillämpningar.

– Två viktiga saker har hänt bara de senaste månaderna. Det ena är (Seattle-biologen) Leroy Hoods framsteg inom personalized medicine, eller P4-medicin. Det andra är att Proteinatlasen är klar, säger Magnus Boman och syftar på miljardprojektet Human Protein Atlas som, under ledning av KTH-professorn Mathias Uhlén, har ägnat elva år åt att kartlägga vilka byggstenar vår kropp använder för att skapa olika organ och vävnader.

– Det är en fantastisk resurs. Man kan säga att hela data science-sidan börjat bli mogen. Det som kommer nu och driver utvecklingen framåt inom big data, det är tillämpningar.

Ett runt och bra årtal som man brukar ta sikte på när man tittar framåt är 2020. Det gör till exempel HORIZON 2020, EU:s gigantiska forsknings- och innovationsprogram som plöjer in omkring 80 miljarder mellan år 2014–20, och där SICS är en part. Erfarenheterna därifrån är tydliga: Otroligt mycket kommer att hända redan de närmaste tre åren.

– Det som händer nu är att en massa olika aktörer skakar hand och tillsammans försöker ”sätta agendan”, säger Daniel Gillblad. Vad kan vi göra med all big data? Och särskilt då med det som kallas found data, sådant som man bara hittat någonstans … Där måste vi som data scientists börja jobba med praktiker som kan hälsodomänen. Vinsterna är otroliga, så vi måste bara om att komma till rätta med en del svårigheter.

Det är inte alldeles lätt att sammanfatta vilka de här svårigheterna är. Ett rör värdering av data. Ett annat rör lagstiftning och personlig integritet. Ett tredje rör beslutsaspekten.

– Det här är jättesvår kommunikation. Hur överför vi de här sakerna så att folk som inte är big data-specialister, och inte ska vara det, förstår? Till och med vi som är statistiker har många gånger svårt att förstå hela bilden; hur ska då kliniker där ute kunna göra det?

Ett intressant, för att inte säga rörande, exempel är det som hände Jennifer Frankovich. Hon är professor i barnreumatologi vid Lucile Packard Children’s Hospital, Stanford och ställdes 2011 inför ett dilemma.

En ung flicka från Reno, Nevada flögs in till sjukhusets akut med njurar som höll på att ge upp. Efter en rad tester visade det sig att flickan hade utvecklat SLE, vilket kan angripa njurarna. Jennifer Frankovich oroade sig nu för ett sidoproblem: risken för dödliga blodproppar som kan uppstå hos dessa patienter. Man sätter då in antikoagulantia (ett läkemedel som förebygger blodproppar), men tyvärr för de med sig nya risker, som stroke och inre blödningar. Frågan var: Skulle man ge antikoagulantia eller inte?

SLE är relativt ovanligt bland så här unga patienter, vilket betyder att det helt enkelt saknades medicinskt litteratur i frågan. Jennifer Frankovich gjorde då något ovanligt: hon gick iväg till sjukhusets databas över alla barn som vårdats på sjukhuset, filtrerade och gjorde om journalerna till digitalt sökbara poster. Hon fick ett svar. Ge eller inte ge? Facit blev: ge. Flickan fick antikoagulantia, klarade sig genom behandlingen och händelsen resulterade i ett långt reportage i New England Journal of Medicine.

Men så bra! Nja, det finns en twist här.

Efter den initiala entusiasmen har Lucile Packard Children’s Hospital slutat jobba på det här sättet. Sjukhusledningen tycker helt enkelt att det är alldeles för farligt. Och huvudpersonen håller med: att analysera den här typen av data, säger hon, kräver särskild expertis. Magnus Boman nickar igenkännande.

– Även vi behöver rådfråga experter när det gäller komplicerade saker som nedärvd bias och tysta antaganden. Om någon skulle vilja göra om Jennifer Frankovichs analys, hur gör man då? Det var en artikel i Science nyligen om att det börjat komma allt mer forskning som är svår att reproducera. Där är vi nu. Det här är bara toppen av ett isberg.

Vi övergår till ännu något mer nervkittlande: Människa och maskin i intellektuellt samspel. Ämnesområdet artificiell intelligens har hittills handlat mycket om en maskin som utför isolerade uppgifter på sin kant (till exempel väljer schackdrag). Det som kommer framöver är samarbete över köttgränsen. Det menar Magnus Boman:

– När människor och datorer jobbar tillsammans uppstår the power of two. En duktig schackdator plus en duktig människa slår den bästa schackdatorn eller spelaren som ensam aktör, så att säga. I dag kan man köpa second opinion-hälsotjänster från IBM; man prenumererar på tjänsten och får då möjligheten att få en rundabordskonsultation. När jag försöker föreställa mig hur det ser ut så är det som en sittrond, med kollegor och maskiner sida vid sida … Det här öppnar otroligt intressanta dörrar.

Det finns många tekniska termer som studsar när man pratar om de här sakerna. En är augmented intelligence (förstärkt intelligens), eller ungefär: tävla inte mot maskinerna, tävla med dem. En annan är kollektiv intelligens. Är den utspridd lite här och där snarare än i ett individuellt sinne. Nästan mystisk? Jag frågar Daniel Gillblad.

Hur uppstår kollektiv intelligens?

– I de tillämpningar som vi jobbar med så handlar det väldigt mycket om när intelligenta agenter kan utbyta kunskap med varandra. Alltså inte bara människor som samtalar med varandra, utan även datorerna. Om tio år är det antagligen helt naturligt att resonera och utbyta kunskap med både människor och maskiner tillsammans."

Hela denna artikel är kopierad från Karolinska Universitetssjukhusets Magasin.

Läs artikeln och följande 3 artiklar i serien i Karolinska Universitetetssjukhusets Magasin