Regeringens nærhospitaler bliver kulissebyer


  Ny viden om psykiatri fra Medicinsk Tidsskrift   

Om os | Om nyhedsbrevene | Annoncer | Betingelser


Nu også i psykiatrien: Supercomputere udvikler mere præcis diagnostik

”Algoritmer, der bidrager til at kunne give patienter en mere præcis behandling, vil blive en vigtig del af fremtidens behandling, også inden for psykiatrien,” siger Michael Eriksen Benros, professor og forskningsleder for Precision Psychiatry Initiative, ved Psykiatrisk Center København.

Han skal stå for forskningsdelen af et nyt projekt, der skal søge at udvikle en algoritme, der kan prædiktere selvmordsrisiko hos borgere, der ringer 112 og 1813 med en psykiatrisk problemstilling.

”Ved brug af kunstig intelligens, tilgængelige Big Data og lydoptagelser, vil vi kombinere talegenkendelse og analyser af de store mængder data fra patientjournaler, der er opsamlet af Region Hovedstadens akuttelefoner. Det giver ret unikke muligheder for at kunne forbedre den nuværende behandling,” siger Michael Eriksen Benros.

Forskningsprojektet med talegenkendelse udgør aktuelt et pilotprojekt, som sker i samarbejde mellem Psykiatrisk Center København, Hovedstadens Akutberedskab og virksomheden Corti AI, der er en platform for kunstig intelligens i sundhedsvæsenet.

Et af Michael Eriksen Benros’ mange forskningsområder er at kunne anvende store mængder data til at forudsige forløb og foretage opdelinger i risikoniveauer. Som leder af forskningsprojektet Precision Psychiatry Initiative har han og hans team ved samkøring og analyser af Big Data fra de nationale danske registre og machine learning teknikker, skabt machine learning-baserede modeller, der blandt andet kan prædiktere selvmord og selvmordsforsøg, samt akutte genindlæggelser i psykiatrien.

 

Kombinerer journaldata og taledata

Siden 2018 har Hovedstadens Akutberedskab i samarbejde med Corti AI, ved hjælp af kunstig intelligens, udviklet en stemmebaseret platform, der analyserer lydoptagelser af opkald til 112, for at prædiktere hjertestop hos borgere, der ringer ind. Det lykkes i 84 procent  af tilfældene.

”Nu vil vi prøve at lave en lignende model for at prædiktere, hvilke borgere, der er selvmordstruede, som kan anvendes i akutberedskabet i første omgang, men på sigt potentielt have en bredere implementering,” siger Michael Eriksen Benros

”Projektet kræver dog en masse forarbejde, og vi er derfor i gang med et pilotprojekt, der skal udarbejde en model, så vi kan se, om den har potentiale til at fungere i klinisk anvendelse. Men vi har gode forhåbninger. Når vi allerede kan lave en model kun baseret på registerdata, vil vi forvente, at modellerne vil blive væsentlig bedre og mere klinisk relevante, når vi nu oveni købet kan lave en algoritme, der både inkluderer real-time taladata og journaldata, som kombineres for at have så meget som muligt med i modellen.”

Machine learning

Michael Eriksen Benros og hans team står bag banebrydende forskning i præcisionspsykiatrien:

”Vi udnytter supercomputere og machine learning til at udvikle nye modeller for at gennemgå de store datamængder, der er tilgængelige i Danmark. På den måde kan vi se på mange data på én gang, som genetik, livsforløb og biomarkører, der kan bane vejen for en mere præcis diagnostik og udviklingen af præcisionsmedicin for psykiatriske lidelser,” siger Michael Eriksen Benros.

Men det stopper ikke der, forudser Michael Eriksen Benros: I fremtiden kan man forestille sig at opspore stroke og en række andre lidelser ved hjælp af kunstig intelligens.

Nyheder fra Medicinske Tidsskrifter

Hæmatologisk Tidsskrift

Propatienter

Topup nb

OPEN

Hallo