Premiere på tværgående fagforum om digitalisering
Pharma 05/2023
Kunstig intelligens og Machine Learning er allerede i fuld gang med at forandre store dele af vores samfund, også life science-industrien. Men hvad er kunstig intelligens og Machine Learning, og hvilke udfordringer og perspektiver er der i disse teknologier? Det var omdrejningspunktet for det første møde i Pharmdanmarks nye tværgående fagforum om digitalisering i life science.
Af Christian K. Thorsted
Digitalisering eller digital transformation er et anliggende for alle, der arbejder inden for life science. I alle led af værdikæden genereres der store mængder data, og ved hjælp af kunstig intelligens (AI) eller Machine Learning kan potentialet i de store datamængder udnyttes, for eksempel til udvikling af lægemidler og finmasket overvågning af brugen af dem.
På det første møde i det nye fagforum 'Digitalisering i life science' gav Morten Mørup, professor i Machine Learning inden for life science ved DTU Compute, en både inspirerende og grundig indføring i digitale teknologier med særligt fokus på kunstig intelligens.
Set i et historisk lys er der ikke noget underligt i, at nye revolutionerede teknologier både kan fascinere og skabe håb om fremskridt og udvikling – men også skabe bekymringer.
Morten Mørup fremhævede i den forbindelse den engelske præst og opfinder William Lee, der udviklede den første strikkemaskine i 1589. Han havde selv store forventninger til sin opfindelse, men dronning Elizabeth I kvitterede langt mindre positivt:
”Thou aimest high, Master Lee. Consider thou what the invention could do to my poor subjects. It would assuredly bring to them ruin by depriving them of employment, thus making them beggars.”
Modstanden mod William Lee's opfindelse betød, at han forlod England, men ad åre blev den banebrydende væverteknologi dog indført på trods af indædt raseri fra såkaldte maskinstormere, som så deres levebrød truet.
Erstattes vi?
Springer vi små 430 år frem til en tid med kunstig intelligens og Machine Learning ligger der tilsvarende elementer af potentiale og udfordringer.
Eksempelvis proklamerede den førende AI-forsker Geoffrey Hinton allerede i 2016, at man skulle holde op med at træne radiologer, da disse ville blive overflødige. 'Deep learning computer vision'-metoder ville simpelthen kunne udføre deres arbejde bedre.
En af verdens fremmeste radiologer og forskere i kunstig intelligens anvendelser inden for radiologi Curtis P. Langlotz var dog meget uenig i det synspunkt. Han vurderede i stedet, at radiologer, der bruger kunstig intelligens, ville erstatte radiologer, der ikke bruger det – med mere sikker radiologi som udbytte.
Følger man den tankegang, er der ifølge Morten Mørup derfor tale om, at Machine -Learning ikke kommer til at erstatte mennesker – men derimod i højere grad at mennesker, der udnytter mulighederne ved Machine Learning, vil erstatte dem, der ikke gør.
Det er også i det lys, at det nye fagforum skal ses: fagfolk inden for life science har brug for indblik i – og forståelse for – anvendelsespotentialer af data og digitale teknologier.
Hvad er Machine Learning?
Machine Learning (maskinlæring) kan defineres som den måde, en computer selv er i stand til at forbedre sig til at løse en opgave, uden at være udtrykkeligt programmeret til, hvordan opgaven skal løses.
Computeren får tilført eksempler (data) og lærer så ud fra disse, hvordan opgaven skal løses. Computeren vil baseret på de data, den har bearbejdet, være i stand til at lave forudsigelser, finde sammenhænge og identificere mønstre.
Med Machine Learning opstiller man en algoritme for programmet, så den selv kan skabe reglerne for, hvordan den skal finde frem til et bestemt resultat. Denne algoritme definerer, hvordan programmet lærer af dataen. Når en Machine Learning-algoritme så bliver eksponeret for mere data, vil den forbedre sig, uden menneskelig indblanding.
Begrebet Machine Learning blev skabt allerede i 1959 af den amerikanske pioner inden for computerspil og kunstig intelligens Arthur Samuel.
Han skrev et computerprogram til at spille dam, fik programmet til at spille 10.000 spil mod sig selv, og derved ’lærte’ det, hvilke brætpositioner der var gode og dårlige afhængig af de vundne og tabte spil.
Selvom Machine Learning altså ikke er et nyt begreb, er det dog først for alvor blevet relevant i forbindelse med blandt andet meget forbedrede muligheder for at indsamle, lagre og processere store mængder af data gennem Machine Learning- algoritmer.
Også den britiske matematiker Alan Turing – en af grundlæggerne af datalogien, der blev til den moderne computer – var tidligt ude med betragtninger om kunstig intelligens og maskiners evne til at lære.
Han beskrev, at vi ikke er i stand til at svare på, om en maskine kan tænke, fordi udtrykkene ’maskine’ og ’tænke’ er udefinerede. Vi skal derimod snarere spørge, om en maskine kan efterligne et menneske.
Alan Turing foreslog i den forbindelse, at vi skal betragte maskiner, der kan lære, som børn.
Stille de rigtige spørgsmål
Morten Mørup betonede i sit oplæg, at der ganske vist ligger uendelige muligheder i brugen af Machine Learning, og at vi i virkeligheden endnu kun står på tærsklen til en udvikling, som vil omkalfatre mange elementer i vores samfund.
Men der er en række væsentlige udfordringer, som man skal være opmærksom på, understregede han.
Det er for eksempel således vigtigt at stille det rigtige spørgsmål, og dermed at vide, hvilket problem man vil løse, når man anvender Machine Learning – herunder hvad der er datagrundlaget og den korrekte måde at kvantificere performance.
Men selv hvis man har defineret sit problem klart, så kan man løbe ind i andre udfordringer, herunder at man ikke fuldt ud er i stand til at forstå, hvorfor modellen opfører sig, som den gør – dermed kan Machine Learning udvikle sig til en uhensigtsmæssig ’black box’-AI.
Der kan altså være problemer med at forstå, hvorledes Machine Learning-metoder træffer deres beslutninger, og om beslutningsgrundlaget derved er fornuftigt (explainability). Disse udfordringer vil blive større i årene fremover på grund af modellernes konstant stigende kompleksitet.
Derudover fastslog Morten Mørup, at man i brugen af AI blandt andet skal være meget opmærksom på, om der kan være bias i det data, man giver sin Machine Learning-model, om man har valideret modellen så godt og realistisk som muligt, og om der kan være nogle etiske bekymringer ved at anvende systemet. Ligeledes om der er issues i forhold til privatlivsbeskyttelse i brugen af data.
Skal Machine Learning opsummeres i én sætning, så handler det ifølge Morten Mørup grundlæggende om at minimere generalisationsfejl.
Generalisationsfejl er graden, med hvilken en Machine Learning-metode i gennemsnit vil fejle, når den evalueres på uendeligt meget nyt data.
Opfange uønskede virkninger med AI
En konkret anvendelse af AI blev på fagforummet præsenteret af Espen Jimenez Solem, overlæge på Klinisk farmakologisk afdeling på Bispebjerg og Frederiksberg Hospital, gennem forskningsprojektet PHAIR.
PHAIR står for Pharmacovigilance by AI Real-time Analyses, og det skal gøre det muligt at opfange uønskede virkninger af medicin hurtigere – og på den måde væsentligt øge kvaliteten af behandlingen med lægemidler.
Det skal ske ved at kombinere nationale sundhedsdata og anvende kunstig intelligens i form af algoritmer og mønstergenkendelser. Data i projektet omfatter blandt andet nationale sundhedsregistre, patientjournaler og patienternes egne oplevelser af bivirkninger.
Espen Jimenez Solems projekt udspringer af det ulykkelige faktum, at det skønnes, at man i Danmark oplever 40.000 alvorlige lægemiddelbivirkninger, og 1.500 dødsfald pr. år på grund af disse bivirkninger.
Historien er da også fuld af grelle eksempler på lægemidler, som enten relativt hurtigt eller inden for nogle år viste sig at have alvorlige, uforudsete bivirkninger.
Velkendt er det kvalmestillende middel Thalidomid til gravide i 1960’erne, som gav misdannelser hos tusindvis af børn, kontraststoffet Thorotrast som i slutningen af 1980erne efter årtiers brug viste sig at give mange patienter kræft, og Vioxx som tidligt i det nye årtusinde viste sig at øge risikoen for hjerte-kar-sygdom.
Projektets første case er COVID-19-vaccinerne, og projektet vil både uddybe specifik viden om vaccinernes eventuelle bivirkninger og bidrage med nye komplekse metoder, der også kan bruges til at blive klogere på bivirkninger ved andre lægemidler.
Hypotesegenerering
Konkret kan brugen af AI i projektet bidrage til lægemiddelovervågning i realtid gennem databehandling, hypotesegenerering, prioritering af signaler og slutteligt analyser, der afslører eventuelle kausale sammenhæng i signalerne.
Han mener, at projektet har et stort potentiale for både sundhedsvæsen, patienter og forskningsmiljøerne og kan løfte fase 4-forskningen – det vil sige, den forskning, der sker, når lægemidlerne har fået markedsføringstilladelse og er på markedet – markant.
Der er ikke andre lande, der har adgang til data på den måde for en hel population, og redskaber til at behandle dem så effektivt, som det er målet i PHAIR.
Espen Jimenez Solem forklarede i sit indlæg, at projektets innovative tilgang – kombineret med deltagelse af mange parter og fagligheder inden for sundhedssektoren – giver forskningsprojektet en bred og solid forankring, der i sidste ende vil have direkte betydning for den enkelte borger i form af:
- Forbedrede muligheder for Personlig Medicin.
- Risikostratificering (Hvor man ikke anvender et givent lægemiddel til en patient, som vil reagere negativt på det).
- Hurtigere mulighed for at bekræfte/afkræfte bivirkningssignaler – og dermed også hurtigere reaktion fra myndighedernes side.
PHAIR har en varighed på tre år, og bag projektet står følgende partnere:
Bispebjerg og Frederiksberg Hospital (Klinisk Farmakologisk Afdeling), Danske Patienter, Lægemiddelstyrelsens Dataanalysecenter (DAC), Københavns Universitet (Datalogisk Institut), Statens Serum Institut, Syddansk Universitet (Institut for Sundhedstjenesteforskning) og Trifork.
Som garant for det faglige indhold på det tværgående fagforum om digitalisering har Pharmadanmark indgået et samarbejde med Jan Henrik Ardenkjær-Larsen, som er professor og institutleder på DTU Sundhedsteknologi. Han er med i udviklingen af det faglige indhold, ligesom han facilitere møderne.
Planlægningen af det næste møde er i gang.
