AI og kunstig intelligens bliver ofte fremhævet som miraklet, der skal revolutionere alle industrier, herunder også den notorisk langsomme og datatunge medicinalbranche. 

Vi pumper milliarder i AI-løsninger, samtidig med at højtuddannede læger og farmaceuter bruger deres tid på at øve sig i at prompte ChatGPT. Men får vi nok ud af alle disse investeringer i både penge og medarbejdertid? 

Goldman Sachs har lige været ude med en advarsel om, at vi skal til at anvende AI klogere, hvis brugen faktisk skal føre til øget produktivitet, og ikke blot et kolossalt spild af ressourcer. Men er det muligt på forhånd at vide, hvor i den medicinske udviklingsproces, AI nemt kan blive en succes, og hvor det risikerer at gå helt galt? 

AI passer bedre til nogle dele af medicinsk udvikling end andre

Medicinsk udvikling inkluderer forskellige faser, som er meget forskellige af natur. Den tidlige ‘Drug discovery’-fase er præget af kemiske og observationelle data, og her skinner AI allerede! 

Drug discovery-feltet er kendetegnet ved, at der eksisterer en hel række højkvalitets AI-værktøjer såsom Atomwise og Insilico Medicine, som udnytter deep learning til hurtigt at screene molekyler og forudsige lægemiddelinteraktioner. 

AI kan altså ikke bare blive en produktivitsforøgende del af drug discovery – det er AI allerede! Se f.eks. denne review-artikel for et hurtigt overblik over spændende værktøjer, der allerede eksisterer.

Kan AI bruges i eksperimentel klinisk forskning?

Anderledes ser det ud inden for den kliniske del af medicinsk udvikling. Her er AI langt mere udfordret. Det skyldes især, at den kliniske forskning er bygget op omkring eksperimentelle data, hvor resultaterne er uforudsigelige. 

Selv den bedste mønstergenkendelse i verden kan ikke erstatte det randomiserede forsøg. Men så er det jo alligevel ikke alle dele af den kliniske medicinudvikling, som er direkte fokuseret på de eksperimentelle data. Der skal skrives protokoller, vælges studiedesign, undersøges hvor det er nemmest at rekruttere patienter etc. Alle disse valg baserer sig på dataanalyse og bliver langt bedre, hvis de gøres systematisk og på det størst mulige datagrundlag, i stedet for vores nuværende tilgang som ofte baserer sig på nogle klinikeres mavefornemmelse. 

Med AI kan man basere sit kommende studiedesign på en kombination af data fra elektroniske patientjournaler, konkurrenternes publicerede studier og ens egne tidligere data. Samtidig kan man monitorere patienter i realtid, hvilket mindsker fejl og giver hurtigere indsigt i, om forsøget fungerer optimalt, eller om det skal lukkes ned hurtigst muligt. AI support i den kliniske del af medicinsk udvikling er langt mere spredt, som man kan se i denne oversigtsartikel.

AI-djævlen i detaljen

Når man ikke kan være helt sikker på den store produktivitetsforøgelse, så skyldes det den måde, de store sprogmodeller som ChatGPT er bygget op. De er grundlæggende trænet på den viden, der ligger på internettet og arbejder ud fra gennemsnit. Der er altså ingen kvalitetsvægtning i de resultater, vi får ud. 

De fleste af os har formentlig prøvet at få svar, som var ren hallucination. Og helt grundlæggende er der jo ingen af os, som har lyst til, at medicinsk udvikling er baseret på systemer, der hist og pist hallucinerer. 

Når det kommer til medicinsk udvikling, så har vi en nul-tolerance for fejl. Det er derfor, vi for længe siden har opfundet evidensbaseret medicin, som netop gør en dyd ud af at minimere de systematisk fejl (bias), der ellers vil påvirke vores kliniske resultater voldsomt. En super vigtig del af evidensbaseret medicin (eller god forskningsmetode i det hele taget) er, at forskning skal være reproducerbart. 

De store sprogmodeller er bygget op omkring black box algoritmer. Det betyder, at det er svært at undersøge, hvilke datagrundlag et givent svar er bygget på og hvilke bias, det risikerer at inkludere. Lægemiddelforskningens historie er fyldt med eksempler på medicin, som er kommet på markedet og har forårsaget stor skade. Vi skal insistere på, at medicin bliver udviklet i reproducerbare forsøg, som lægges åbent ud, så alle data og valg kan undersøges. 

Fantastisk eller overhyped?

AI har virkeligt potentialet til at revolutionere medicinsk udvikling. For medicinsk udvikling er grundlæggende bygget op over enorme mængder af data og udforskning af mønstre. Og her er AI uovertruffen – og langt bedre end mennesker, som har det med at tillægge deres mavefornemmelse for meget betydning. 

Så i modsætning til Goldman Sachs forudsigelserne om, at AI ikke kommer til at skaffe den håbede produktivitetsforøgelse, så er lægemiddelforskning et eksempel på, at AI allerede har forvandlet store områder, som f.eks. drug discovery, til et langt mere effektivt felt. 

Men der er en stor rød lampe, der blinker, som vi skal tage meget alvorligt: For at kunne anvende AI mere aktivt i de kliniske dele af medicinsk udvikling, så skal fremtidige sprogmodeller kunne supportere reproducerbar og transparent forskning.