BESLUTNINGSSTØTTE: Fürst bruker maskinlæring for å oppdage ny kunnskap og se nye sammenhenger i data. Her fra hovedlaboratoriet i Oslo.

Forfatter: Ferd, ved Sissel Fantoft
Foto: Fürst

 

Fürst er Nordens største medisinske laboratorium og analyserer prøver innen medisinsk biokjemi, klinisk farmakologi, mikrobiologi og patologi. Ferd Capital eier 40 prosent av aksjene i selskapet.

Maskinlæringsalgoritmen ble lansert i mars, etter flere år med utviklingsarbeid.

– Vi har i mange år hatt en strategi om å bygge og beholde kompetanse internt for å utvikle egne løsninger, også innen IT. Det er noen år siden vi innså at maskinlæring kan bli strategisk viktig, og vår avdeling med utviklere har siden jobbet med å bygge egne løsninger basert på det, forteller IT-direktør Eyvind Wærsted Axelsen.

IT-DIREKTØR: Eyvind Wærsted Axelsen i Fürst Medisinsk Laboratorium. Foto: Fürst

Om lag sju prosent av verdens befolkning er bærere av den arvelige blodsykdommen hemoglobinopati, som kan deles inn i to hovedgrupper: Talassemi og hemoglobinvarianter. Selv om sykdommen er sjelden hos etnisk norske, er den utbredt i tropiske og subtropiske områder som Afrika, Asia og middelhavslandene. Innvandring fra disse områdene har ført til at diagnostikk av hemoglobinopati har blitt stadig mer aktuelt også i Norge, men dette kan ofte være både komplisert og tidskrevende.

–  Fürst sitter på store mengder analyseresultater for en stor andel av Norges befolkning. Her ligger det mye verdifull kunnskap som vi tidligere ikke har klart å utnytte. Ved bruk av maskinlæring kan vi nyttiggjøre oss disse dataene for å stille bedre diagnoser, oppdage ny kunnskap eller se sammenhenger ingen visste fantes, forklarer han.

Lærerik prosess

Algoritmen er utviklet basert på et datasett med biokjemiske analyser fra en kohort med 19.000 personer.

– Det er flere utfordringer i et slikt prosjekt. Det er for eksempel ingen regularitet i måledataene. De fremstår dermed som tilfeldige for algoritmen, som må håndtere mange ulike typer diskrepanser. I tillegg må vi følge strenge regler for personvern – vi kan ikke bare trene maskinlæringsalgoritmene i å bruke dataene som finnes, vi er nødt til å få dispensasjon til å bruke dem til et spesifikt formål, sier Axelsen.

Å innhente samtykke fra hver enkelt pasient ville tatt enormt lang tid. I stedet søkte Fürst Regional komité for medisinsk og helsefaglig forskningsetikk (REK) om tillatelse til å bruke pseudonymiserte utgaver av dataene – altså at de ikke inneholder identifiserbare opplysninger om pasientene.

– Vi etablerte dette som et forskingsprosjekt og argumenterte for at den potensielle risikoen for personvernet er lavere enn den antatte samfunnsnytten. Det har vært en lærerik prosess for oss, som vi også vil ha nytte av i andre prosjekter, sier han.

Selv om teknologien som benyttes ikke er ny, har maskinene får større regnekraft og er billigere å anskaffe.

– Nå har algoritmen vært i bruk i noen måneder og vi har allerede gjort en del justeringer, som er naturlig når teknologien møter virkeligheten. Algoritmen gir en anbefaling til rekvirenten, men legen sitter jo på et bredere bilde av pasientens sykdomshistorikk og er den som tar endelig stilling til om en utredning er fornuftig eller ikke. Algoritmen er rett og slett en beslutningsstøtte for legene, fordi den med vesentlig bedre treffsikkerhet kan anbefale om utredning for talassemi er tilrådelig, forklarer han.

 Stort potensial

I kjølvannet av algoritmen for diagnostikk av hemoglobinopati har Fürst begynt å utvikle maskinlæringsalgoritmer også knyttet til andre sykdommer.

– Et opplagt brukstilfelle er patologi for å lete etter kreft. Vi mottar mange vevsprøver som kan snittes opp og scannes digitalt. Så kan vi bruke en algoritme for bildegjenkjenning for å se etter symptomer på kreft for eksempel i en føflekk. Dette er et aktivt prosjekt hos oss, forklarer Axelsen.

STORT SPEKTER: Fürst er Nordens største medisinske laboratorium med om lag 500 ansatte. Daglig analyseres 12 000 prøver ved hovedlaboratoriet på Furuset i Oslo. Foto: Fürst

Et annet prosjekt handlerom bruk av syntestiske data, som genereres av en maskinlæringsmodell som er trent opp på reelle data.

– Da unngår vi i neste omgang personvernproblemstillingen, noe som gjør det lettere å invitere eksterne forskere inn i prosjektene, og samtidig åpne for fagfellevalideringer av resultatene, sier han.

– Jeg tror at det ligger et stort potensial i bruk av kunstig intelligens innen diagnostikk, og vårt prosjekt innen hemoglobinopati er den første KI-baserte rekvireringsløsningen i det vi håper blir en lang rekke fra Fürst, legger han til.