Kunstig intelligens kan forbedre diagnostik af skizofreni og bipolar lidelse
Af En ny undersøgelse fra Aarhus Universitet og Aarhus Universitetshospital peger på, at kunstig intelligens kan blive et værdifuldt redskab i diagnosticeringen af alvorlige psykiske lidelser som skizofreni og bipolar sygdom.
Forskningen, ledet af professor Søren Dinesen Østergaard fra Institut for Klinisk Medicin ved Aarhus Universitet og Psykiatrien i Region Midtjylland, har udviklet en maskinlæringsalgoritme, der analyserer patientjournaler for at forudsige risikoen for at udvikle skizofreni eller bipolar lidelse inden for de næste fem år. Algoritmen undersøger over 1000 faktorer i journalerne, herunder diagnoser, medicin og journalnotater.
Det oplyser Aarhus Universitet i en pressemeddelelse.
- 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, udtaler Søren Dinesen Østergaard.
Resultaterne viser, at algoritmen kan identificere høj-risiko patienter med en vis præcision, men der er stadig plads til forbedring. For hver 100 patienter, som algoritmen vurderer som værende i høj risiko, vil cirka 13 blive diagnosticeret med skizofreni eller bipolar lidelse inden for 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.
Forskerne har identificeret, at specifikke ord i journalnotaterne er de vigtigste faktorer for algoritmens forudsigelser. Disse ord beskriver typisk symptomer som social tilbagetrækning og hørehallucinationer eller indikerer indlæggelser på psykiatrisk hospital.
Fremtidige versioner af algoritmen kan potentielt blive endnu mere præcise ved at anvende mere avancerede sprogmodeller, som dem der driver ChatGPT. Dette kunne gøre det muligt at forstå hele sætninger og konteksten, hvori ordene forekommer, hvilket kan føre til mere nøjagtige forudsigelser.
Studiet er baseret på journaldata fra 24.449 patienter og er finansieret af blandt andet Digitaliseringsstyrelsens Investeringsfond og Lundbeckfonden.