Læger drukner i data, mens kunstig intelligens glimrer ved dets fravær

Det skulle være så godt. I de seneste år har skåltaler hyldet kunstig intelligens som en af løsningerne på et overbebyrdet sundhedsvæsen: Kunstig intelligens kan frelse sundhedsvæsenet fra tidsrøvende arbejdsgange, for algoritmer kan udlede hurtige konklusioner af komplekse data. Kunstig intelligens kan kurere ulighed i sundhed, for algoritmer er ikke forudindtagede og skelner ikke mellem rig og fattig. Kunstig intelligens kan altid være på arbejde, for algoritmer behøver hverken søvn, kaffepauser eller gyldigt coronapas. 

Men virkelighedens implementering af kunstig intelligens er en anden. For det første skal algoritmer trænes på data fra hele baggrundspopulationen for at undgå bias. Derfor skal godkendte leverandørerne kunne tilgå rigtig meget data. For det andet skal algoritmer konstant overvåges for at sikre patientsikkerheden i henhold til lovgivningen. Derfor skal godkendte leverandører kunne overvåge algoritmers arbejde på hospitalernes IT systemer for at kunne sikre, at algoritmer leverer den forventede ydelse og genoptrænes i takt med at data ændres over tid. For det tredje er disse algoritmer højt specialiserede og kan kun løse konkrete veldefinerede opgaver. Derfor skal hospitalerne bruge rigtig mange forskellige algoritmer for at frigive sundhedspersonalets tid, så de kan tage sig af de mange og ofte komplekse opgaver, som algoritmerne ikke kan varetage.

Det kliniske udbytte af kunstig intelligens lader derfor vente på sig, forsinket dels af centraliserede administrative afdelinger, som insisterer på, at kun de må udtrække data, og dels juridiske rammer, som ikke er ensrettede på tværs af landet, og som resulterer i ad-hoc løsninger, som skal genopfindes hvergang en ny algoritme skal implementeres. Hvis hospitalerne for alvor vil bruge kunstig intelligens til at aflaste sundhedspersonale, kræver det hurtig adgang til data, klare juridiske rammer, og en implementeringsmodel, som kan skaleres til fremtidens datalandskab.

Offentlige sundhedsdatastrategier bør derfor medtage følgende fokuspunkter: 

• Decentraliser adgang til sundhedsdata: Medarbejdere og forskere bør selv have mulighed for at kunne trække data ud af hospitalssystemer inden for lovgivningens rammer i stedet for at skulle vente månedsvis på, at en administrativ afdeling gør det for dem. Hospitalerne bør derfor stille godkendte softwareprogrammer til rådighed, som automatisk kan hente data ud, krydsreferere datakilder, og beskytte patienternes privatliv ved at fjerne personhenførbare oplysninger. Fremtidige udbud af offentlige IT systemer bør kræve, at sådanne programmer er en del af løsningen, ligesom Region Hovedstaden gør det i deres nuværende udbud på RIS/PACS området.
• Muliggør genbrug af datasæt: Til al forskning og udvikling af datadreven sundhedsteknologi bruges meget tid på at rense, annotere, kvalitetstjekke, og krydsrefere data. I dag skal alt data slettes indenfor en årrække, når projektet er slut. Dette er kæmpe ressourcespild, og det burde være muligt at kunne genbruge oprensede datasæt, eller i hvert fald annoteringer, så de kan kobles sammen med det originale data igen, når et nyt projekt får lov at bruge det. Der bør laves nye regler og opsættes IT infrastruktur herfor, så dette kan håndteres.
• Ensret fortolkningen af GDPR: Vi skal ikke gøre det nemmere at komme udenom lovgivningen. Vi skal gøre det nemmere at overholde lovgivningen. Derfor skal fortolkningen af GDPR og sundhedsloven ensrettes på tværs af landet og publiceres i let forståelige guidelines, så enkelte jurister ikke gang på gang sidder med hele ansvaret for at godkende eller afvise projekter.

Kunstig intelligens kræver data til udvikling, validering, og implementering, og selvom vi har gode sundhedsdata i Danmark, tager det i dag op til flere år blot at implementere eksisterende regulatorisk godkendte algoritmer. Det er ikke skalerbart. Og det bør vi gøre noget ved.