Kunstig intelligens og helse

Ada er en helseassistent som tolker symptomer og har mulighet for å kontakte lege (kun tilgjengelig i Storbritannia).

Ada ber brukeren svare på spørsmål om symptomer og kommer etter hvert frem til en liste med mulige sykdommer, med en prosent sannsynlighet. Hvis man klikker inn på en mulig sykdom kommer det frem en begrunnelse, som hvilke symptomer som leder til denne hypotesen og hvor mange med de samme symptomene som har den samme diagnosen.

Hvilke data brukes

• informasjon om brukerns symptomer og personlig (helse)informasjon om alder, allegergier osv.
• medisinsk litteratur

Hvilke algoritmer brukes

• Bayes network for klassifisering
• Amazons teknologi for å forbedre brukergrensesnittet

Status

• Ada Health har ca 1 million brukere.
• Ada Health er rangert som nr 1 i medisinsk kategori.
• Mer informasjon kan du få her (artikkel i TechChrunch)

AliveCOR tilbyr mobil-appen Kardia for vanlige brukere og ipad-appen Kardia Pro for helsepersonell.

Hvordan virker det

• Kardia er laget for vanlige folk. Mobil-appen oppfordrer brukeren å måle EKG jevnlig. Appen lager en profil for hver enkelt ved å samle målinger i en måneds tid. Dersom senere målinger ikke passer med profilen, blir dette fanget opp av appen. Først blir man spurt om dette er sin egen måling. Hvis brukeren bekrefter at det er sin egen måling får man mulighet til å kontake en kardiolog.
• Kardia Pro er laget for å hjelpe helsepersonell å følge opp brukernes EKG-målinger. Appen kategoriserer de målingene som trenger oppfølging av helsepersonell versus de som ikke trenger oppfølging. Appen kan også kobles til noen typer it-systemer i helsevesenet.

Hvilke data brukes

• Brukerens egenmålinger av tommel-EKG (fra AliveCOR sitt eget utstyr)
• Andre egenmålinger som blodtrykk, vekt og aktivitet (fra andre mobil-apper)

Hvilke algoritmer brukes

• Dyplæring, neurale nettverk til å bygge hjerteprofil for hver pasient (Kardia)
• I samrbeidsprosjektet med Mayo-klinikken om å opppdage lang QT-tid syndrom: Mayos patenterte alogoritme.

Status

• Kardia algoritmene er godkjent av FDA
• Tommel-EKG på klokkeremmen til Apple Watch er tilgjengelig i Storbritannia, der de også får støtte fra helsemyndighetene (NHS), (Mobile Healthnews, oktober 2016).
• Forsking: selskapet samarbeider med Mayoklinikken i USA om å måle helseindikatorer som tidligere har vært ukjente. De skal bruke maskinlæringsteknikker for å analysere 10 millioner EKG-målinger for å se bidra til å identifisere andre helsemessige forhold enn hjerteflimmer. For eksempel kan det hende at EKG kan avsløre helse indikatorer som har implikasjoner for pasienter med unormalt kaliumnivå i blodet på grunn av nyresvikt (Mobile Healthnews, oktober 2016).
• Forskning: AliveCor samarbeider med Colombia universitetet i USA for å undersøke hvordan tommel-EKG kan hjelpe pasientene å gjenkjenne tilbakevendende atrieflimmer og å håndtere tilstanden bedre. Studien skal undersøke effekten av egenmonitorering av atrieflimmer gjennom en randomisert studie med 300 pasienter med en atrieflimmerhistorie (ClinicalTrials.gov, april 2016).

Aktuelt

• Kardia samarbeider med Mayo-klinikken i USA om å bruke kunstig intelligens for å oppdage tidlige tegn på lang QT-tid syndrom. Det er en tilstand som er forbundet med risiko for plutselig død som følge av arytmi, som kan oppdages på en forlengelse av QT-intervallet ved elektrokardiografi (EKG).
• Mer informasjon om Kardia Pro for helsepersonell, Mobile Health News, mars 2017.

Amazons Alexa er en maskin som forstår naturlig språk og kan gjøre det om til digitale signaler. Alexa er et forbrukerprodukt som har blitt tatt i bruk hjemme hos folk for å spørre om været eller finne TV-program.

Hvordan brukes det
Alexa begynner å bli testet ut på flere sykehus i USA.
Tekst-til-tale:

• list text here Et eksempel er å bruke tekst-til-tale for å gå gjennom sjekklister (men de har hendene fri til å gjøre andre ting).
• list text hereBoston barnesykehus bruker en Alexa-app for at gi brukere helseinformasjon for de vanligste sykdommene og for dosering a medisiner.

Tale-til-tekst

• Alexa kan hjelpe legen med å transkribere notater og dokumentere kommunikasjonen med pasienten. Dette kan frigjøre legetid som han kan bruke sammen med pasienten istedet for å stirre inn i en dataskjerm.

Hvilke data brukes

• Tale (i sann-tid)
• Tekst

Hvilke algoritmer brukes

• Talegjenkjenning og naturlig språkgjenkjenning som bruker kunstig intelligens

Mer informasjon

• Mer informasjon om mulige anvendelser av Alexa finner du her (artikkel i CNBC).

Anzyz Technology har sammen med Sørlandet sykehus og Universitetet i Agder utviklet et system for å identifisere tidlige tegn på allergier. Neste skritt er å kunne stille diagnose.

Hvilke data brukes

• Pasientjournaler på sykehus (1 million journaler)
• Forsknings- og faglitteratur

Hvilke algoritmer

• Analyse av naturlige språk; "Corpus Cube Linguistics" som automatisk utleder innsikt fra ustrukturerte data som dokumenter, e-poster, sosiale medier, chat osv.

Status

• Alle pasienter på sykehuset som skal opereres gjennomgår testen før de opereres.
• Neste skritt å trekke inn sensormålinger

Atlas Wearables er et treningsarmbånd, en app pluss en intelligent plattform.

Hvordan virker det
Brukere blir oppfordret til å dele sine bevegelses- og treningsdata på Atlas Sweat Lab der dataene analyseres ved hjelp av maskinlæring for å utvikle stadig bedre treningsprogrammer.

Hvilke data brukes

• trenings- og bevegelsesdata

Hvilke metoder brukes

• maskinlæring, for å kunne skille mellom push-ups and triangel push-ups
• de jobber med å utvide maskinlæringsalgoritmene og datasettene til å forstå hvordan man går, sitter, beveger seg og interagerer med andre, noe som kan gi pekepinn på humør, fysiske reaksjoner og omgivelsene.

A deep-learning algorithm is developed to provide rapid and accurate diagnosis of clinical 3D head CT-scan images to triage and prioritize urgent neurological events, thus potentially accelerating time to diagnosis and care in clinical settings.

A unique imaging-recognition study focusing on the breadth of acute neurologic events, such as stroke or head trauma, was carried out on over 37,000 head CT 3-D scans, which the algorithm analyzed for 13 different anatomical findings versus gold-standard labels (annotated by expert radiologists) and achieved an AUC of 0.73 (ref. 27). A simulated prospective, double-blind, randomized control trial was conducted with real cases from the dataset and showed that the deep-learning algorithm could interpret scans 150 times faster than radiologists.

Ayashdi identifiserer og skalerer opp pasientforløpene som er mest kostnadseffektiv. Ambisjonen er å analysere helsedata for å kunne levere bedre, rimeligere og mer tidsriktig helsetjenester i fremover.

Hvilke data brukes

• Elektroniske pasientjournaler med informasjon om diagnoser, labresultater, operasjonsjournaler, legens notater osv.

Hvilke algoritmer brukes

• De bruker de de kaller Topological Data Analysis (TDA) sammen med algoritmer for bioinformatikk (engelsk computational biology) i tillegg til standard maskinlæringsvektøy.

Status

• Video som beskriver analysene,

Babylon er en personlig helseassistent i form av en mobil-app.

Hvordan brukes det?
En person som har symptomer på sykdom kan stille spørsmål om symptomene. Hvis appen vurderer at det er behov for å kontake legen, kan man opprette en videokonsultasjon på mobiltelefonen med den første ledige legen. Legen svarer på spørsmål, og gjør en konsultasjon og skriver eventuelt ut resept på medisiner. Hvis det er indikasjoner på alvorlig sykdom oppfordres brukeren til å ta kontakt med sin fastlege.

Brukeren kan bestille og utføre tester for bl.a. diabetes og leversykdom, eller for en generell helsesjekk.

Appen følger kontinuerlig med på informasjon fra målinger og tester som brukeren gjør, også fra andre helse- og treningsapper. Det kan være målinger av hjerterytme og søvnmønster og blodprøver av kalsium, stoffskifte og kolesterolnivå. Appen utarbeider personaliserte helseplaner for å holde brukeren på "grønt nivå", hvor de har den beste helsetilstanden. Appen gir også alarmer hvis brukeren er på gult eller rødt nivå, noe som indikerer en dårlig utvikling av helsetilstanden. Brukeren betaler et månedlig beløp, og kan stille så mange spørsmål hun ønsker.

Status
• Babylon Health har blitt evaluert av Care Quality Commission i juni 2016. Tjenesten har blitt godkjent på alle de 5 evalueringspunktene "safe", "effective", "caring", "responsive" og "well-led".
• I et pilotprosjekt nord for London vil 1,2 millioner prøve ut en versjon for å vurder om den kan erstatte call-centeret på legevakten (111).
• Babylon-appen er tilgjengelig i Storbritannia i Apples App Store og Google Play
• Babylon har en beta-versjon som tolker symptomer og gir diagnose automatisk basert på talebaserte spørsmål
• Babylon har ambisjon om at den neste versjonen (april 2017) vil være den første roboten som er klinisk sertifisert av det britiske Medicines and Healthcare Prodicts Regylatory Agency som stiiler en medisinsk diagnose.

Aktuelt
• Mer informasjon om Babylon Health; artikkel i Financial Times, januar 2017.
• Mer informasjon om hvordan applikasjonen kan brukes (Youtube-video).
• Forskningsartikkel som undersøker hvor godt Babylon Health "triagerer" sammenlignet med leger og sykepleiere. Studien vurderer "sjekk-funksjon" til å være trygg i 100% av tilfellene, 13% mer nøyaktig enn en lege, 17% mer nøyaktig enn en sykepleier, og gjør vurderingene betydelig raskere 89% av tiden. arXiv, juni 2016.
• Mer informasjon om forretningsmodellen bak Babylon (Forbes).

BergHealth tilbyr sanntids analytiske løsninger som forutsir effekten av behandlingsplaner på individnivå for å kunne optimalisere behandlinger, på individnivå og på befolkningsnivå.

Hvordan virker det
Plattformen analyserer en rekke biologiske data ved hjelp av maskinlæringsalgoritmer og bygger prediktive modeller basert på ulike fenotyper.

Data som brukes

• en rekke ulike data, både fra helsevesenet og utenfra

Metoder som brukes

• prediktive modeller

BrandEmotions er et produkt fra Amyx og McKinsey som jobber med bl.a. med maskinlæring for å kvantifisere en persons følelser. Metodene prøver i første omgang å måle hvordan en person reagerer på reklame for deres merkevareopplevelse, som feks en konsert eller hotellopphold. I neste omgang ønsker de å bruke denne kunnskapen i helsesammenheng. (Ikke funnet for hvilke sykdomer.)

Hvilke data brukes

• Ulike typer data fra sensorer og "Internet of things" som kan bidra til å måle følelser

Hvilke metoder brukes

• Deres egen EmotionIQ metode, som er en form for maskinlæring (ingen referanser er funnet)

Mer informasjon

• Wearing Your Intelligence: How to Apply Artificial Intelligence in Wearables and IoT. Artikkel i Wired.

BrightMD er en legeassistent som hjelper pasient og lege å gjøre en diagnose basert på den informasjonen brukeren oppgir om sine symptomer.

Hvordan virker det
Systemet veileder brukeren gjennom en rekke spørsmål og bruker maskinlæring for å komme frem til diagnose og anbefalt behandling.

Data som brukes

• svar på spørsmål om symptomer

Metoder som brukes

• maskinlæring

Mer informasjon

• http://medcitynews.com/2015/10/brightmd-ceo-patients-are-being-forced-to-choose-between-trust-and-convenience/?trendmd-shared=0&rf=1

Cardiogram er en mobil-app som samler aktivitets- og treningsdata inkludert puls fra en smartklokke (Apple Watch og Android Wear).

Den første versjonen brukes for å motivere brukeren til å leve sunnere.

Neste versjon: Cardiogram har inngått et samarbeid med with UCSF for å kunne oppdage atrieflimmer og dermed forebygge slag ved å bruke dyplæringsalgoritmer.

Brukeren av appen blir spurt om de også ønsker å dele sine data til mRythm studien for å hjelpe til for å kunne oppdage atrieflimmer.

Hvordan virker det
Atrieflimmer kan behandles men mange kjenner ingen symptomer så det blir ofte ikke oppdaget. Hjertets normale rytme varierer fra slag til slag, og mønsteret av variasjon avhengig av hva som skjer i livet ditt, enten du er stresset, opphisset, trener, eller bare drakk kaffe. Atrieflimmer er svært variabel, men på en måte som er tilfeldig. Ved hjelp av en teknikk som kalles semi-veiledet dyplæring (engelsk: semi-supervised deep learning), bygger Cardiogram en algoritme som kan skille mellom mønsteret av variasjon i hjertefrekvens i en normal hjerterytme og hos noen med atrieflimmer.

Data som brukes

• Puls, trenings- og aktivitetsdata som samles via smartklokke (Apple Watch først, deretter Android Wear)

Metoder som brukes

• Første versjon: dyplæring for å motivere brukeren til å leve sunnere
• Neste versjon: semi-veiledet dyplæring (engelsk semi-supervised deep learning) for å oppdage atrieflimmer

Status

• Tilgjengelig i Apples Appstore og Google Play (snart)
• I 2016 ble 6,158 Cardiogram-brukere med i forskningsprosjektet. Cardiogram trente et dypt neuralt nettverk på hjertefrekvensmåling målt med Apple Watch. Foreløpige resultater kan vise til et AUC på 0,97, noe som gjør dem i stand til å oppdage atrieflimmer med 98,04% sensitivitet og 90,2% spesifisitet (bloginnlegg hos Cardiogram).
• Du kan også lese om forskningsstudien (i en artikkel i Technology Review).

Denne artikkelen er ikke ferdig

Clinicloud tilbyr et digitalt termometer og et stetoskop som kan kobles til en mobiltelefon. Familier kan bruke dette til å gjøre målinger av temperatur og med stetoskoper, som deretter sendes til legen eller til at KI-system som går gjennom og analyserer dataene.

Systemet bruker kunstig intelligens.

Deep 6 AI er et oppstartsselskap som gjør dataanalyse av ustrukturerte data som pasientjournaler for å finne kandidater til kliniske utprøvinger av medisiner.

Hvilke data brukes

• Fritekst dokumenter som pasientjournaler, legenotater, notater fra operasjoner osv.

Hvilke algoritmer brukes

• Kunstig intelligens og naturlig språkprosessering (tekstanalyse) for å identifisere symptomer, diagnoser, behandlinger, genomics, livsstil osv. Dette brukes for å identifiser pasienter som passer kompliserte kriterier for kliniske utprøvinger.

Status

Deep Genomics utvikler algortimer for å kunne forutsi hva som vil skje i en celle når DNA er endret av genetisk variasjon, enten naturlig eller terapeutisk.

Hvordan virker det
Selskapets vitenskapelige og teknologiske veikart er å bygge et integrert beregningssystem som kan lære, forutsi og tolke hvordan genetisk variasjon, enten naturlig eller terapeutisk, endrer viktige cellulære prosesser. Disse prosessene inkluderer transkripsjon, spleising, polyadenylering og oversettelse, og deres endring kan føre til sykdom eller effektiv behandling.

Data som brukes

• gendata

Metoder som brukes

• maskinlæring

Aktuelt

• Deres første produkt, SPIDEX databasen er fritt tilgjengelig for ikke-kommersielle formål.

DeepMind utvikler teknikker for maskinlæring, og spesielt dyplæring i ulike domener. De ble kjent da deres algoritmer klarte å slå verdenmesteren i brettspillet Go.

På helseområdet ønsker er å bruk maskinlæring og spesielt dyplæringsteknikker for å forbedre diagnostisering og behandling av sykdommer. De samarbeider med NHS i Storbritannia på følgende områder:

Utprøvingsprosjekter:

• Royal Free NHS Trust: Streams; streamer informasjon om målinger og tester fra pasienter i sann tid. På den måten kan leger følge nøye med på utviklingen og sette i gang tiltak umiddelbart dersom tilstanden forværrer seg. Først ut er pasienter med akutt nyresvikt. Akutt nyreskade (AKI) er en medvirkende faktor i opptil 20% av akuttsykehusinnleggelser , og er knyttet til 40.000 dødsfall i Storbritannia hvert år. NHS estimerer at en fjerdedel av tilfellene kan forebygges.
• Imperial College Healthcare NHS Trust har inngått et samarbeid med DeepMind om Streams-appen.
  

Forskningsprosjekter:

• Brystkreft: I samarbeid med Cancer Research UK Imperial Centre jobber DeepMind for å utforske de potensielle fordelene med kunstig intelligens for å identifisere tegn på brystkreft i mammografibilder.
  
• Moorfields Eye Hospital NHS Trust: Øyesykdommer; Digitale bilder (scans) av øyet er svært komplekse, og tradisjonelle analyseverktøy har ikke vært i stand til å utforske dem fullt ut. Deepmind ønsker å forbedre analysene av disse bildene. Ambisjonen er tidligere diagnose og behandling, og til slutt bidra til å unngå tilfeller av øyesykdom som kan forebygges.
• University College London Hospital NHS Trust: Planlegging av strålebehandling; Kreft i hodet og nakke er spesielt vanskelig å behandlge med strålebehandling. Det blir ekstremt viktig å skille friskt vev fra kreftvev. En slik kartlegging kalles segmentering. Ambisjonene til et forskningsprosjekt i Deepmind er å undersøker om maskinlæring kan fremskynde segmentering prosessen samtidig bevare nøyaktigheten.

Hvilke data bruker de

• Samarbeidet med Royal Free: 1,6 millioner pasientjournaler fra alle pasienter som som har besøkt de tre sykehusene Royal Free driver. (Dette er kontroversielt, se under aktuelt nedenfor)
• Samarbeidet med Moofields Eye Hospital: ca en million, anonymiserte øyeskanninger, pluss noe anonymisert informasjon om øyesykdommer og sykdomshåndtering'

Hvilke metoder bruker de

• Streams bruker ikke maskinlæring, men de antar at det er et potensiale for å bruke maskinlæring for å bedre oppdage akutt nyresvikt i fremtiden.
• Forskningssamarbeidene med Moorfields Eye hospital: Bruker dyplæring (deep learning)

Aktuelt

• I februar 2017 rapporter DeepMind at Streams-appen kan forbedre pasientbehandlingen; mer enn 26 leger og sykepleiere bruker Streams, og hver dag blir de alarmert om 11 pasienter som har risiko for nyresvikt.
• Deepmind ble kjøpt av Google i 2014 for 400 millioner engelske pund.
• DeepMind’s data deals raise some serious questions, https://www.ft.com/content/ddd1478e-b70d-11e6-961e-a1acd97f622d

Deep Patient er system utviklet i et forskningsprosjekt på Mount Sinai sykehuset i New York. Deep Patient har vist seg veldig god til å forutse når folk var på vei til å få flere typer plager, inkludert leverkreft. Algoritmene så også ut til å forutse starten på psykiatriske lidelser som schizofreni overraskende bra.

Hvilke data brukes

• Data fra pasientjournaler (flere hundre variable, fra 700 000 individer)

Hvilke algoritmer brukes

• Dype neurale nettverk, uten instruksjoner (non-supervised)

Status

• Flere er også kritiske til hvordan algoritmene kom frem til sine prediksjoner. bl.a. denne artikkelen "Den mørke hemmeligheten i hjertet av kunstig intelligens (KI) (MIT Technology Review).

Dyplæringsteknikker som kan detektere brystkreft fra mammografi-bilder på nivå med radiologer.

Algoritmer basert på dyplæring kan diagnostisere 14 ulike arytmier på nivå med kardiologer

Det norske selskapet Diffia står bak den kliniske helse-applikasjonen Nimble, som har som mål å fjerne tidstyver i det kliniske arbeidet.

Hvordan virker det
Ambisjonen er å designe en løsning som sømløst flyter inn i arbeidsflyten på en sykehusavdeling slik at Nimble helsepersonell kan kommunisere, dokumentere og dele pasientinformasjon på en mer effektiv og smartere måte.

Samtidig åpner teknologien opp for at pasienten selv, ved hjelp av en smarttelefon eller nettbrett, kan angi og dele egne helseopplysninger mens de er på venteværelset. Helseopplysninger blir umiddelbart tilgjengelige for behandlende helsepersonell på avdelingen. (Kilde: e-post med Soheil Dabestani, Diffia.)

Hvilke data brukes

• pasientens helsedata
• legelitteratur

Hvilke algoritmer brukes

• Maskinlæringsteknikker

Status

• Produktet er fortsatt under utvikling
• Nimble gjør det mulig for Diffia å samle store mengder data, hvor personvernhensyn er ivaretatt, og med hjelp av kunstig intelligens implementere løsninger som ytterligere øker kvaliteten på pasientbehandlingen. Maskinlæringen/kunstig intelligens kommer til å brukes til å automatisere deler av arbeidsprosesser som i dag stjeler pasientrettet tid, og samtidig kunne bidra med klinisk beslutningsstøtte i en brukervennlig innpakking.

Mer informasjon

• Artikkel i Dagens Næringsliv, 14. feb 2017.

DoMore er et

EDEN Technology is an in silico antigen discovery platform that integrates big data, artificial intelligence and supercomputing. The key strength of EDEN is the ability to identify novel antigens, which cannot be identified with current technologies that elicit a highly and broadly protective immune response.

http://evaxion-biotech.com/index.html

Emotiv

Enlitic bruker dyplæringsnettvek for å undersøke millioner av bilder for å automatisk lære å identifisere sykdom. Dyplæringsnettverkene kan søke etter mange sykdommer samtidig, og de kan hjelpe med å tidlig oppdage sykdom, planlegging av behandling og overvåkning av sykdom.

Hvordan virker det
Enlitic arbeider med et bredt spekter av samarbeidspartnere og datakilder for å utvikle state-of-the-art klinisk beslutningsstøtte på følgende områder:

• Triagering
• Screening
• Sanntids beslutningsstøtte til diagnostisering
• Retrospektiv analyse

Data som brukes

• bredt spekter av ustrukturerte data så som kliniske helsedata, som radiologiske og patologiske bilder (ultralyd, CT, MRI, PET og røntgen (X-RAY), lab-resultater som blodprøver og EKG, gentester, pasienthistorier og pasientjournaler.

Metoder som brukes

• Dyplæring (neurale nett)

Aktuelt

• Selskapet hevder at de har tilpasset deres dyplæringsteknologi slik at den automatisk kan oppdage lungekreftknuter i CT bilder av brystet 40-50 prosent mer presist enn et ekspertpanel av thorax-radiologer. Artikkel i Australian Anthill.
• Selskapet har inngått samarbeid med Health Capitol om å bruke deres bildearkiv som består av alle typer radiologiske bilder; ultralyd, CT, MRI, PET og røntgen (X-RAY), Hensikten er å aksellere treningen av dyplæringsalgoritmer. Artikkel i Australian Anthill.
• Selskapet har mottatt flere priser og er bl.a. på MITs liste over de 50 smarteste selskapene i verden og CBinsights "Game changing startups".

Entopsis

Another early molecular diagnosis startup is Entopsis, a medical diagnosis platform that can screen for medical conditions using nano-engineering and machine learning. Entopsis is able to detect patterns and biomarkers that point to specific conditions by analyzing the protein composition of biofluids.

After incubating a biofluid sample using their Nanoscale Unbiased TExtured Capture (NUTeC) process to capture molecules, Entopsis applies its signature analysis based on machine learning algorithms to analyze the molecular signature on a NUTeC glass. The scanned signatures are then uploaded to the cloud to run signature comparison against others in the database to find similar profiles.

Entopsis desires to give consumers direct access to NUTeC dishes to collect biofluids and send it in for molecular analysis. Could NUTeC glasses be equipped with IoT sensors to optically scan and transmit signature data to the cloud remotely?

(Skrive en post på selvtester også.)