AIR Lund - Artificially Intelligent use of Registers

Artificiell intelligens och så kallad maskinlärning, dvs. metoder som går ut på att träna datorprogram att klara en viss uppgift, har under senare år fått stor uppmärksamhet inom forskningen men också i samhället i övrigt. Analysmetoder som bygger på självlärande datorprogram har visat sig vara användbara inom en rad olika medicinska områden, exempelvis för att lära sig känna igen komplicerade sjukdomsmönster, tolka röntgenbilder och för att göra riskbedömningar av olika slag.

Vårt tvärvetenskapliga forskningsprojekt kommer att kritiskt värdera nytta och risker förknippade med användningen av självlärande datorprogram inom hälso- och sjukvården i situationer där dessa används tillsammans med omfattande uppgifter från hälsodata- och befolkningsregister. Vi kommer att arbeta med självlärande datorprogram och register inom tre specifika områden. Dessa handlar om att förebygga och upptäcka hjärt- och kärlsjukdomar, samt om att förutse det fortsatta sjukdomsförloppet och vårdbehovet hos dem som drabbats av sjukdom:

1) Prevention Vår målsättning är att hitta nya mönster och kombinationer av riskfaktorer som kan förutsäga hjärt- och kärlsjukdomar i befolkningen och som skulle kunna förhindras genom förebyggande insatser.
2) Diagnos Vår målsättning är att använda självlärande datorprogram för att förbättra diagnostiken och föreslå handläggning av patienter med misstänkt hjärtsjukdom eller annan allvarlig sjukdom på Sveriges akutmottagningar.
3) Prognos Vår målsättning är att hitta mönster i livshändelser av medicinsk eller socioekonomisk art som finns lagrade i register och som tillsammans kan förutsäga sjukdomsrisker samt sjukdomsförlopp och vårdbehov hos dem som drabbats.

Vårt forskningsprojekt kommer även att studera integritetsrisker förknippade med ökad sammanlänkning av känsliga registeruppgifter från olika källor, samt risker förknippade med användning av artificiell intelligens och självlärande datorprogram som beslutsstöd inom hälso- och sjukvården. Det kan exempelvis handla om juridiska frågor kring ansvar och öppenhet. Det kan också handla om etiska dilemman och risk för missvisande eller diskriminerande analysresultat och beslutsförslag. Sådana dilemman kan uppstå när ett maskinellt beslutsstöd visserligen blivit bra på att ställa diagnos och förutsäga risker, men fortfarande är dåligt på att förklara eller motivera sina beslutsförslag. Vi kommer att försöka förfina de metoder som finns för att få självlärande datorprogram att ge begripliga förklaringar till sina upptäckter och riskuppskattningar. Genom denna metodutveckling hoppas vi kunna lösa några av de dilemman som annars kan uppstå när självlärande datorprogram används inom hälso- och sjukvården.