AI vil formentlig kunne hjælpe med diagnostik af skizofreni og bipolar sygdom

Skizofreni og bipolar sygdom er alvorlige psykiske lidelser, der ofte debuterer i det tidlige voksenliv. Der findes effektiv behandling, men den forudsætter, at sygdommene diagnosticeres – og det er mere vanskeligt, end man måske skulle tro.

Mange studier har nemlig vist, at der ofte går flere år fra sygdomsdebut, til rette diagnose stilles – og at jo længere denne periode er, desto sværere bliver det at behandle sygdommen. Ny forskning fra Aarhus Universitet og Aarhus Universitetshospital – Psykiatrien viser, at kunstig intelligens kan medvirke til at løse denne udfordring.

“Det er en svær klinisk udfordring at løse, men vi har givet det et forsøg, og resultaterne af dette studie viser, at vi er på rette vej,” siger professor Søren Dinesen Østergaard fra Institut for Klinisk Medicin ved Aarhus Universitet og Psykiatrien i Region Midtjylland, der leder forskningsgruppen, som har udført studiet.

Analyse af data fra den elektroniske patientjournal

Studiet er baseret på journaldata fra 24.449 patienter, der har fået behandling for andre – og typisk mindre alvorlige – psykiske sygdomme end skizofreni og bipolar sygdom i Psykiatrien.

Journaldata fra disse patienter er brugt til at udvikle en maskinlæringsalgoritme, der kan komme med et kvalificeret bud på, hvorvidt patienterne vil blive diagnosticeret med skizofreni eller bipolar sygdom inden for de kommende fem år.

“Hvis algoritmen markerer, at der er stor sandsynlighed for udvikling af skizofreni eller bipolar sygdom inden for de kommende fem år, kan personalet fokusere deres undersøgelse på symptomer ved netop disse sygdomme – og formentlig stille rette diagnose og opstarte korrekt behandling tidligere,” forklarer Søren Dinesen Østergaard.

God start, men ikke i mål endnu

Maskinlæringsalgoritmen analyserede sammenhængen mellem godt 1000 faktorer fra journalen – herunder diagnoser, medicin og teksten fra journalnotater – og skizofreni/bipolar sygdom inden for de efterfølgende fem år.

Resultaterne viser, at for hver 100 patienter, algoritmen vurderer som værende i høj risiko, vil der være ca. 13, der diagnosticeres med skizofreni eller bipolar sygdom inden for de kommende fem år. For hver 100 patienter, algoritmen vurderer som ikke værende i høj risiko, vil der være ca. 95, som ikke bliver diagnosticeret med skizofreni eller bipolar sygdom inden for de kommende fem år.

“Dette er næppe tilstrækkeligt præcist til, at vi kan anvende denne første version af algoritmen til at støtte klinisk praksis, men vi har en god idé om, hvordan vi kommer nærmere målet. Pilen peger på en mere sofistikeret analyse af teksten i journalnotaterne,” siger Søren Dinesen Østergaard. 

Specifikke ord i notaterne driver forudsigelsen

Forskerne har undersøgt hvilke dele af journalen, der bidrager til evnen til at forudsige skizofreni og bipolar sygdom. Her taler resultaterne et meget tydeligt sprog.

“De ti faktorer, der bidrager mest til forudsigelsen, stammer alle fra journalnotaterne. Der er tale om ord, der enten beskriver symptomer som f.eks. social tilbagetrækning og hørehallucinationer eller ord, der beskriver indlæggelser på psykiatrisk hospital – altså markører for svær psykisk sygdom. Det giver vældig god mening rent klinisk,” forklarer Søren Dinesen Østergaard, der mener, at der er meget mere information at hente i journalnotaterne.

Den sprogmodel, der er anvendt i studiet, er forholdsvis simpel, idet den kun er baseret på den relative hyppighed af enkelte ord i journalnotaterne og derfor ikke tager højde for betydningen af den kontekst, ordet forekommer i. Der findes nu langt mere avancerede sprogmodeller af den type, der driver ChatGPT, som ’forstår’ indholdet af hele sætninger.

”Vi håber, at den teknologi kan gøre vores forudsigelser af skizofreni og bipolar sygdom så præcise, at fremtidige versioner af algoritmen kan støtte klinisk praksis. Det skal vi nu undersøge nærmere,” siger Søren Dinesen Østergaard. 

 

Bag om forskningsresultatet

Studietype: Kohortestudie, hvor data fra den elektroniske patientjournal analyseres via maskinlæring.

Ekstern finansiering: Digitaliseringsstyrelsens Investeringsfond til afprøvning af nye teknologier, Lundbeckfonden og Region Midtjylland.

Interessekonflikt:  Fremgår af afsnittet “Conflict of Interest Disclosures” i den videnskabelige artikel (link nedenfor).

Læs mere i den videnskabelige artikel: https://jamanetwork.com/journals/jamapsychiatry/article-abstract/2830144