AI kan inte ersätta läkare. Men det kan göra dem bättre.

Barnteckning av en läkarmottagning som visar barnet på undersökningsbordet och läkaren vid datorn. Teckning av Ag, 7 år, copyright Thomas G. Murphy MD 2011

För flera år sedan skrev Vinod Khosla, investeraren i Silicon Valley, en provocerande artikel med titeln Do We Need Doctors or Algorithms? Khosla hävdade att läkare inte var någon match för artificiell intelligens. Läkare skämtar med patienter, samlar några symptom, jagar runt kroppen efter ledtrådar och skickar iväg patienten med ett recept. Detta leder ibland (av misstag, kanske) till rätt behandling, men läkare agerar bara på en bråkdel av den tillgängliga informationen. En algoritm, skrev han, kunde göra bättre.

Jag är en pediatrisk och ungdomsläkare i San Francisco Bay Area, där entreprenörer som Khosla har knackat på dörrarna för läkare i flera år med sina pilotteknologier och mjukvara och hårdvara. Jag kan med viss auktoritet säga att Khosla är rösten för en kunnig utomstående som vet vad han vet – vilket inte är hälsovård.

Den här historien var en del av vårt novembernummer 2018

• Se resten av frågan
• Prenumerera

Ja, AI kan hjälpa oss att diagnostisera och behandla sjukdomar. Det kan sammanställa och tillhandahålla stora mängder data på ett tydligt och kortfattat sätt, vilket minskar de oprecisa bedömningar som läkare gör på grund av pressen och komplexiteten i våra metoder. Det råder ingen tvekan om att för vissa läkare, vars arbete är mycket fokuserat på diagnos (till exempel radiologer eller patologer), kan det genombrottet visa sig vara ett existentiellt hot. För ett decennium sedan visade forskare till exempel att AI var lika bra som radiologer på att upptäcka bröstcancer.

Men för läkare som jag inom primärvården, som hanterar 1 500 till 2 000 patienter, erbjuder AI en möjlighet. Jag gick på läkarutbildningen för att få kontakt med människor och göra skillnad. Idag känner jag mig ofta som en överbetald bokhållare istället, tar in information och spottar tillbaka till patienterna, skriver ut läkemedel och justerar doser, beställer tester. Men AI i examensrummet öppnar chansen att återerövra medicinkonsten. Det kan låta mig lära känna mina patienter bättre, lära mig hur en sjukdom unikt påverkar dem och ge mig tid att coacha dem mot ett bättre resultat.

Tänk på vad AI kan göra för astma, den vanligaste kroniska medicinska sjukdomen i barndomen. Sex miljoner amerikanska barn lider av det. 2013 missade de tillsammans 14 miljoner dagar i skolan. Kostnaden för mediciner, läkarbesök och akutmottagning och sjukhusvistelser närmar sig 60 miljarder dollar per år.

Jag diagnostiserar astma via en tumregel som har gått i arv med tiden: om du har haft tre eller flera pipande episoder och medicinerna mot astma hjälper, har du sjukdomen. När det väl har diagnostiserats ber jag föräldrarna att komma ihåg – så gott de kan – hur ofta de ger mediciner till sitt barn. Jag frågar: Vad verkar trigga avsnitt? Utsätts barnet för någon som röker hemma? Jag kan också granska deras register för att räkna hur många besök på akuten de har haft, eller antalet gånger de har fyllt på sina recept.

Men även med den mest exakta återkallelsen av föräldrar och patienter, och de mest exakta elektroniska journalerna, är det fortfarande bara retrospektiv kunskap. Det finns ingen proaktiv, prediktiv strategi.

Det är inte så att vi inte har data; det är bara det att det är rörigt. Vi spenderar mycket av vår tid på att försöka förstå det.

Det är inte så att vi inte har data; det är bara det att det är rörigt. Massor av data täpper till läkarens inkorg. Det kommer i många former och från olika håll: objektiv information som laboratorieresultat och vitala tecken, subjektiva bekymmer som kommer i form av telefonmeddelanden eller e-postmeddelanden från patienter. Det hela är fragmenterat och vi spenderar mycket av vår tid som läkare på att försöka förstå det. Teknikföretag och nystartade företag vill öppna datatappen ytterligare genom att låta sina enheter direkt till konsumenten – telefon, klocka, blodtrycksmanschett, blodsockermätare – skicka kontinuerliga strömmar av siffror direkt till oss. Vi kämpar för att hålla jämna steg med det, och andelen utbrändhet bland läkare fortsätter att stiga.

Hur kan AI fixa detta? Låt oss börja med diagnos. Även om de kliniska manifestationerna av astma är lätta att upptäcka, är sjukdomen mycket mer komplex på molekylär och cellulär nivå. Generna, proteinerna, enzymerna och andra drivkrafter bakom astma är mycket olika, även om deras miljömässiga triggers överlappar varandra. Ett antal experter tänker nu på astma på samma sätt som de tänker på cancer - en samlingsterm för en sjukdom som varierar beroende på tumörens plats och cellulära egenskaper. Ian Adock från National Heart & Lung Institute vid Imperial College, London, studerar sambandet mellan astma och miljön. Han och hans team har samlat in biologiska prover från astmapatienters blod, urin och lungvävnad och organiserat de genetiska och molekylära markörerna han hittar i undertyper av astma. Hypotesen är att med den typen av kunskap kan patienter ges det läkemedel som fungerar bäst för dem.

AI kan också hjälpa till att hantera astmautbrott. För många patienter blir astma värre när luftföroreningsnivåerna stiger, vilket hände i somras när borstbränder svepte genom norra Kalifornien. AI skulle kunna låta oss ta miljöinformation och reagera proaktivt. År 2015 publicerade forskare en studie som visade att de kunde förutsäga antalet astmarelaterade akutbesök på ett sjukhus i Dallas–Fort Worth. De hämtade data från patientjournaler, tillsammans med luftföroreningsdata från EPA-sensorer, Google-sökningar och tweets som använde termer som väsande andning eller astma. Google- och Twitter-data var kopplade till användarens platsdata.

Om jag hade den här typen av data skulle jag kunna säga, Alexa, berätta för mig vilka astmapatienter jag behöver oroa mig för idag. Jag skulle kunna ge en heads-up till de drabbade familjerna. Och om jag också hade några genetiska data som Adocks, skulle jag kunna diagnostisera astma innan patienten drabbades av tre anfall av väsande andning, genom att beställa blodprov och jämföra resultaten med dessa molekylära markörer.

Denna typ av tidsbesparande intelligens gör att jag kan spendera mer tid med mina patienter. En studie visade att astmatiska barn bara tog eller fick sina inhalerade mediciner ungefär hälften av tiden. AI kan ge mig mer tid att personligen interagera med dessa barn och få bättre resultat.

Många frågor ligger framför oss. Är patienter villiga att dela mer av sina personuppgifter med oss? Om AI visar att din vård är bättre på ett sätt, men du eller din läkare känner annorlunda, kommer ett försäkringsbolag att acceptera det? Vad händer om algoritmen missar något eller tillämpas felaktigt? Vem är ansvarig, läkaren eller maskinens tillverkare?

För inte länge sedan, i Journal of the American Medical Association , såg jag en färgglad bild ritad av ett barn med krita. Den porträtterade hennes barnläkare, med ögonen klistrade vid datorn, medan hon satt på undersökningsbordet och såg storögd ut. Jag hoppas att AI snart kommer att tillåta mig att vända min uppmärksamhet tillbaka till den lilla flickan.

Rahul Parikh är en barnläkare i San Francisco Bay-området.

Dölj