AI kan ikke erstatte leger. Men det kan gjøre dem bedre.

Barnetegning av et legekontor som viser barnet på eksamensbordet og legen ved datamaskinen. Tegning av Ag, 7 år, copyright Thomas G. Murphy MD 2011

For flere år siden skrev Vinod Khosla, Silicon Valley-investoren, en provoserende artikkel med tittelen Do We Need Doctors or Algorithms? Khosla hevdet at leger ikke var noen match for kunstig intelligens. Leger småprater med pasienter, samler noen få symptomer, jakter rundt på kroppen etter ledetråder og sender pasienten av gårde med resept. Dette fører noen ganger (tilfeldigvis, kanskje) til riktig behandling, men leger handler bare på en brøkdel av den tilgjengelige informasjonen. En algoritme, skrev han, kunne gjøre det bedre.

Jeg er en pediatrisk og ungdomslege i San Francisco Bay Area, hvor gründere som Khosla har banket på dørene til leger i årevis med sine pilotteknologier og programvare og maskinvare. Jeg kan med en viss autoritet si at Khoslas er stemmen til en erfaren outsider som vet hva han vet – som ikke er helsevesen.

Denne historien var en del av november 2018-utgaven vår

• Se resten av saken
• Abonnere

Ja, AI kan hjelpe oss med å diagnostisere og behandle sykdom. Den kan samle og servere store mengder data på en klar og kortfattet måte, og reduserer de upresise vurderingene som leger gjør på grunn av presset og kompleksiteten i vår praksis. Det er ingen tvil om at for visse leger, hvis arbeid er sterkt fokusert på diagnose (for eksempel radiologer eller patologer), kan dette gjennombruddet vise seg å være en eksistensiell trussel. For et tiår siden viste for eksempel forskere at AI var like god som radiologer til å oppdage brystkreft.

Men for leger som meg i primærhelsetjenesten, som administrerer 1500 til 2000 pasienter, gir AI en mulighet. Jeg gikk på medisinsk skole for å få kontakt med mennesker og gjøre en forskjell. I dag føler jeg meg ofte som en overbetalt bokholder i stedet, som tar inn informasjon og spytter tilbake til pasientene, skriver ut medisiner og justerer doser, bestiller tester. Men AI i eksamensrommet åpner for sjansen til å gjenerobre medisinkunsten. Det kan la meg bli bedre kjent med pasientene mine, lære hvordan en sykdom unikt påvirker dem, og gi meg tid til å veilede dem mot et bedre resultat.

Tenk på hva AI kan gjøre for astma, den vanligste kroniske medisinske sykdommen i barndommen. Seks millioner amerikanske barn lider av det. I 2013 gikk de samlet glipp av 14 millioner skoledager. Kostnadene for medisiner, besøk til lege og legevakt og sykehusinnleggelser nærmer seg 60 milliarder dollar i året.

Jeg diagnostiserer astma via en tommelfingerregel som har blitt overlevert over tid: hvis du har hatt tre eller flere hvesende episoder og medisinene for astma hjelper, har du sykdommen. Når det er diagnostisert, ber jeg foreldrene huske – så godt de kan – hvor ofte de gir medisiner til barnet sitt. Jeg spør: Hva ser ut til å utløse episoder? Er barnet utsatt for noen som røyker hjemme? Jeg kan også gå gjennom journalene deres for å telle hvor mange besøk på legevakten de har hatt, eller antall ganger de har fylt opp reseptene.

Men selv med den mest nøyaktige tilbakekallingen av foreldre og pasienter, og de mest nøyaktige elektroniske journalene, er det fortsatt bare retrospektiv kunnskap. Det er ingen proaktiv, prediktiv strategi.

Det er ikke det at vi ikke har dataene; det er bare det at det er rotete. Vi bruker mye av tiden vår på å prøve å forstå det.

Det er ikke det at vi ikke har dataene; det er bare det at det er rotete. Datamengder tetter legens innboks. Det kommer i mange former og fra ulike retninger: objektiv informasjon som laboratorieresultater og vitale tegn, subjektive bekymringer som kommer i form av telefonmeldinger eller e-poster fra pasienter. Det hele er fragmentert, og vi bruker mye av tiden vår som leger på å prøve å forstå det. Teknologiselskaper og nystartede bedrifter ønsker å åpne datatappen ytterligere ved å la enhetene deres direkte til forbrukeren – telefon, klokke, blodtrykksmansjett, blodsukkermåler – sende kontinuerlige strømmer av tall direkte til oss. Vi sliter med å holde tritt med det, og utbrenthetsraten blant leger fortsetter å stige.

Hvordan kan AI fikse dette? La oss starte med diagnose. Mens de kliniske manifestasjonene av astma er enkle å oppdage, er sykdommen mye mer kompleks på molekylært og cellulært nivå. Genene, proteinene, enzymene og andre drivere for astma er svært forskjellige, selv om deres miljømessige triggere overlapper hverandre. En rekke eksperter tenker nå på astma på samme måte som de tenker på kreft – en paraplybetegnelse for en sykdom som varierer i henhold til svulstens plassering og cellulære egenskaper. Ian Adock ved National Heart & Lung Institute ved Imperial College, London, studerer sammenhengen mellom astma og miljøet. Han og teamet hans har samlet inn biologiske prøver fra astmapasienters blod, urin og lungevev og organisert de genetiske og molekylære markørene han finner i undertyper av astma. Hypotesen er at med den slags kunnskap kan pasienter gis det legemidlet som fungerer best for dem.

AI kan også bidra til å håndtere astmautbrudd. For mange pasienter blir astma verre når luftforurensningsnivåene øker, slik som skjedde i sommer da børstebranner feide gjennom Nord-California. AI kan la oss ta miljøinformasjon og reagere proaktivt. I 2015 publiserte forskere en studie som viste at de kunne forutsi antall astma-relaterte akuttmottaksbesøk på et Dallas–Fort Worth sykehus. De hentet data fra pasientjournaler, sammen med luftforurensningsdata fra EPA-sensorer, Google-søk og tweets som brukte begreper som tungpustethet eller astma. Google- og Twitter-dataene var knyttet til brukerens posisjonsdata.

Hvis jeg hadde denne typen data, kunne jeg si, Alexa, fortell meg hvilke astmapasienter jeg trenger å bekymre meg for i dag. Jeg kunne gi beskjed til de berørte familiene. Og hvis jeg også hadde noen genetiske data som Adocks, kunne jeg diagnostisere astma før pasienten fikk tre anfall med hvesing, ved å bestille blodprøver og sammenligne resultatene med de molekylære markørene.

Denne typen tidsbesparende intelligens frigjør meg til å bruke mer tid med pasientene mine. En studie viste at astmatiske barn bare tok eller fikk sine inhalerte medisiner omtrent halvparten av tiden. AI kan gi meg mer tid til personlig interaksjon med disse barna, og få bedre resultater.

Mange spørsmål ligger foran. Er pasienter villige til å dele mer av sine personlige data med oss? Hvis AI viser at omsorgen din er bedre én vei, men du eller legen din føler det annerledes, vil et forsikringsselskap godta det? Hva om algoritmen går glipp av noe eller brukes feil? Hvem er ansvarlig, legen eller maskinens produsent?

For ikke lenge siden, i Journal of American Medical Association , så jeg et fargerikt bilde tegnet av et barn i fargestift. Den fremstilte barnelegen hennes, øynene limt til datamaskinen, mens hun satt på eksamensbordet og så storøyd ut. Jeg håper at AI snart vil tillate meg å vende oppmerksomheten tilbake til den lille jenta.

Rahul Parikh er en barnelege i San Francisco Bay-området.

gjemme seg