Delrapport 1: Nationell inventering av AI för life science

Del 13 i bloggserien för uppdraget Swelife 😍 AI. Här kommer första delrapporten från Swelifes AI-projekt. Det är dels material från intervjuerna runt landet men också en del tankar inför både gapanalysen och det internationella som kommer inom någon vecka.

Innehållsförteckning

Inledning och syfte        4

Förväntat resultat        4

Definition av life science och AI för denna rapport        6

Life science?        6

Metod för insamling av intryck        8

Frågebatteri        8

Problematisering av inventeringen        9

Användningsområden för AI        9

Inventering av AI-projekt i Sverige        13

Några exempelprojekt och centrumbildningar        14

Linköping/Norrköping: AIDA (Analytic Imaging Diagnostic Arena), CMIV och Visual Sweden        14

Göteborg: AI Innovation of Sweden, Scapis, PreSISe, språkdatalabb och Chalmers AI Research Centre (CHAIR)        15

Umeå: WASP-HS (Wallenberg AI, Autonomous Systems and Software Program – Humanities & Society)        16

Sammanfattning av samtal i Umeå        16

Stockholm: I-AID, H2, MedTechLabs och KTH        17

Sammanfattning av samtal i Stockholmsområdet        17

Skövde (enbart Högskolan i Skövde)        18

Sammanfattning av samtal i Skövde        18

Malmö/Lund: Medicon Village, Smile Incubator och HealthTech Nordic        18

Sammanfattning av samtal i Malmö och Lund        19

Halmstad Universitet och Region Halland        19

Centrumbildningar och satsningar utan fokus specifikt på life science        19

Vad kan Sverige bli bäst på?        22

Redan etablerad specialisering        22

Läkemedel och avancerade terapiläkemedel (Advanced Therapy Medicinal Products – ATMP)        24

Proteinveckning        24

Egenvård och prevention        25

Var utförs vård-AI? I personens egna prylar eller i vårdens slutna system?        25

Är vi bra på datacenter, molninfrastruktur och spelar det roll för life science?        27

Kryptering, avidentifiering och pseudonymisering        27

Utmaningar        31

Juridiska bekymmer med att jobba förebyggande        31

95% kan tänka sig att dela med sig av sin hälsodata        31

9% av granskade vårdtillfällen ledde till undvikbara vårdskador        32

Summering        33

Kortfattat: Vad som talar för Sverige        33

Kortfattat: Sveriges nackdelar        34

Tack till        35


Inledning och syfte

Detta är den första av de delrapporter som hör till Swelifes AI-projekt 2019. Artificiell intelligens (AI) är en förutsättning för framtidens hälso- och sjukvård. Inte minst inom prevention och tidig upptäckt är AI en framgångsfaktor. Genom att vi använder hälsodata strategiskt och systematiskt kan vi kanske hålla oss friska längre, samt upptäcka och åtgärda risker tidigare. Allt detta kan göra hälsa, vård och omsorg mer effektiv och förhoppningsvis även billigare.

Mängden data om varje individs hälsostatus växer snabbt. Det kan vara den information som patienten ger vid besök inom vården – exempelvis all data ett vanligt blodprov kan ge – men också data som individen själv producerar, exempelvis genom hälsoappar. Alla data om individen som har betydelse för välbefinnandet kan kallas för systematiska hälsodata.

Rätt använd skulle den systematiska hälsodata som finns kunna användas för att ge en hälso- och sjukvård som är specialanpassad för var och en av oss. Tyvärr ligger sjukvårdens och de regulatoriska myndigheternas arbete efter, vilket gör att vi inte kan använda våra systematiska hälsodata fullt ut. Detta är något Swelife arbetar med genom SWEPER-projektet, där vi bland annat ser över legala, regulatoriska och semantiska hinder på vägen till en bättre användning av data – och på sikt en bättre folkhälsa och en stark life science-sektor i Sverige.

Det är bråttom nu. Sverige kan ha en konkurrensfördel om vi snabbt rätar ut de frågetecken som finns runt AI-teknik och systematiska hälsodata kopplat till individens integritet och etiska frågeställningar till användandet av data ur olika informationsperspektiv . Vi har stora fördelar jämfört med många andra marknader, exempelvis personnummer och en hälso- och sjukvård tillgänglig för alla. Men för att få full utväxling av AI-satsningar framöver måste vi investera i strukturförändringar. Förändringarna är kanske inte lika fantasieggande som schackspelande datorer, eller diagnosställande av intelligenta maskiner, men de är nödvändiga för att på allvar kunna utnyttja den möjlighet som artificiell intelligens erbjuder. Vi måste dessutom tänka globalt från början och skapa en internationell koppling, där vi arbetar enligt internationella standarder, kodverk och regelverk som gör att vi kan dela data över gränserna. Samt att denna data blir läsbar och förstådd även av maskiner. [a]

Det är viktigt att Sverige inte bara blir en leverantör av hälsodata, utan att vi bygger upp och behåller kompetensen att förädla data. Ett sätt kan vara att vi parar ihop vår hälsodata och vår svenska spelindustri för att utveckla ”addictive health applications” istället för nöjesspel. På så sätt skapas värde för både individerna och samhället i stort.

Förväntat resultat

Swelife vill stärka sitt strategiska arbete kring AI genom att genomföra en nulägesanalys med fokus på AI ur ett hälsoperspektiv, inklusive en GAP-analys inför kommande prioriteringar och satsningar. För att senare stärka sin portfölj av projekt i deras AI-arbete.

Detta underlag kommer att sammanställas inom Swelife, men kommer att vara allmänt tillgängligt och kan därmed utgöra underlag för diskussioner kring strategiska satsningar inom AI-området med fokus på hälsa, som övriga organisationer och institutioner kan bygga vidare på.

I slutet på 2019 kommer en slutrapport som i stora drag kommer att bygga på framtagna delrapporter och sammanställda i en större helhet.


Definition av life science och AI för denna rapport

AI har dessvärre inte en enda allmänt accepterad definition. Det kanske delvis kommer sig av den hajp vi är inne i. Det vore inte meningsfullt att anamma den mest inkluderande tolkningen av AI som begrepp, men för att du som läsare av delrapporten ska förstå var baslinjen går kring AI i detta projekt är det lika bra att vara tydlig. Det som exkluderas är, saker som några andra med utredningsuppdrag inom AI ibland har valt att ha med, exempelvis:

  • RPA[1] (Robotiserad Processautomatisering), vanlig mjukvara och mer alldaglig automatisering[2] eller integration.
  • Klassiska analysverktyg.
  • Big data, Business Intelligence[3], datautvinning[4] och ETL[5] (Extract Transform Load).

Det som inkluderas är:

  • Avancerade analysverktyg som använder koncept från maskininlärning eller annan AI-teknik.
  • Expertsystem, och annan form av GOFAI[6] (Good Old Fashioned AI), från 1900-talet
  • Maskininlärning, djupinlärning och liknande.
  • Naturligt språk (NLP – Natural Language Processing).
  • Datorseende (computer vision, eller den form av visuell diagnostik som görs inom radiologin, patologin, med flera inom life science).
  • Andra tekniker som robotik, medicinskt luktsinne, medicinska digitala tvillingar, med mera.

För att göra det enklare så benämns de inkluderade sakerna som “AI-tekniker” i denna rapport. När AI i kortform nämns avses samma sak.

Life science?

Om man är väldigt inkluderande är life science vetenskapen om allt som är levande. Men det vore inte så användbart i detta sammanhang, trots detta har vi diskuterat AI-teknik inom renskötsel, folkilsken boskap och livsmedelsindustrin under resan runt landet. Dessa saker utelämnas i denna rapport.

Life science har en relativt lång lista med förgreningar som som inte riktigt landar i denna rapports intresse. Bland annat zoologi och botanik. Några som definierar life science på ett sätt som passar detta projekt är stiftelsen Forska!Sverige[7]:

“[…] i första hand medicinsk forskning och dess tillämpningar med syfte att skapa medicinska framsteg, industriell utveckling och bättre hälsa.”

Dessutom har Swelife ett ursprung inom de vanliga folksjukdomarna, för människor. Så denna rapport exkluderar:

  • Boskap och livsmedel.
  • Generell biologi, zoologi, botanik, med mera.
  • Alternativmedicin/komplementärmedicin.

Det som inkluderas är åtminstone följande saker:

  • Genetik och andra *omics[8].
  • Läkemedel, dess forskning och utveckling.
  • Medicinteknik, särskilt mjukvara som kan vara avancerade beslutsstöd, bilddiagnostik, m.m.
  • Omsorg, oavsett om den bedrivs kommunalt eller av annan aktör.
  • Primär- och slutenvård, vilket bekostas och utförs av regioner och kommuner.
  • Nationell högspecialiserad vård.
  • Andra saker som är individers hälsa till gagn.
  • Egenvård. Alltså allt det som stödjer de som jobbar med sin egen eller andras hälsa.

Metod för insamling av intryck

Arbetet har pågått sedan januari 2019. För att inte fastna i en enskild geografi har det gjorts nedslag från norr till söder, men vi har också aktivt arbetat för att nå olika sorters människor, med olika roller. Det har varit direktörer, akademiker, forskare, IT-projektledare, läkare, utvecklare, säljare, bland annat. De organisationer de jobbat för har varit exempelvis landsting, i små medicintekniska startups, science parks, innovationskontor och några i de större IT-företagen för att nämna några exempel.

I februari påbörjades resan genom ett besök i Umeå som följdes av mellanlandningar i Skövde, Stockholm, för att stanna till i Malmö och Lund i juni, och Linköping i oktober. Stora likheter visade sig ganska omgående under intervjuerna. Drygt trettio personer har intervjuats under första halvan av 2019.

Viss dialog har förts med spetspatienter[9] (en särskilt kunnig individ med stor insikt och expertis kring sin kroniska sjukdom) och andra företrädare för egenvård, funktionsnedsättningar, med mera. De perspektiven är på inget sätt mindre viktiga, men omtanken för dessa frågor läggs på projektets slutrapport och inte i delrapporter som denna.

Frågebatteri

Frågorna diskuterades fram via Twitter och ett internt socialt medie för Västra Götalandsregionen. Följande standardfrågor som har varit grunden i samtalen, dock inte alla som var meningsfulla i varje samtal:

  1. Berätta lite om vilka AI-projekt ni har eller de du känner till?
  2. Var kom inspirationen från?
  3. Vilka AI-tekniker är det ni använt?
  4. Vad är det för uppgifter AI:n försöker lösa?
  5. Vad har varit eller är utmaningarna tycker du?
  6. Finns det något stöd du tycker saknas för att det skulle bli enklare?
  7. Är det några kompetenser ni saknat?
  8. Vilken data tänker ni använda för er AI-teknik?
  9. Vilka drivkrafter har ni? (Personella, egeninitierade, uppdragsgivare, effektivitet, ökad precision etc)
  10. Vilka i samhället representerar datan och hur tänker ni säkerställa att AI-tekniken inte gör en samhällsgrupp starkare än den andra? Om det är poängen varför?
  11. Hur kommer AI-tekniken stärka demokratin i samhället?
  12. Vilka effekter har man uppnått, mätetalen både före och efter?
  13. Någon annan reflektion?

Samt om tid funnits:

  1. Vad ska respektive AI-applikation ska ersätta. Jag tänker (förenklat) en ny lösning in, en gammal lösning ut, eller?
  1. Hur ska affärsmodellen fungera när ni (förmodat) kommer att arbeta mer datadrivet?
  2. Ser ni över vilka etiska problem som kan dyka upp resultaten?
  1. Kan ni tänka er dela med er av data, resultat, fynd open source-mässigt?
  2. Har ni övervägt miljöaspekten av hur ni effektiviserar era körningar och hos vem eller vilken leverantör ni använder?

Problematisering av inventeringen

Många gånger jämförs Sverige som nation med andra nationer. Frågan är om det är en rättvis eller ens relevant jämförelse. Kanske borde det snarare handla om de regionala och lokala styrkor som finns inom landet, samt den roll som finns inom överstatliga samarbetsmöjligheter? Tänk Öresundsregionen, Norrland + Finland, Skandinavien + Baltikum, Sverige+Tyskland, med flera.

Det finns ett flertal problem kring att inventera AI och allt som klumpas samman under AI som teknik. Den största är att det saknas en etablerad definition av AI, en som i singular, det finns nämligen flera.

De initiativ som är lätta att hitta idag är nästan uteslutande inom området maskininlärning. Lite mer sällan omnämns datorseende-tekniker som bilddiagnostik som AI, detsamma med robotik, artificiellt luktsinne eller känsel.

Detta trots att definitioner av AI oftast har en koppling till imitation av mänsklig intelligens, en människas förmågor, drivkrafter eller sinnen.

En annan försvårande omständighet är exakt vad denna AI bidrar med och vilken roll den har. De saker man ofta stöter på som kallas för AI är någon form av mjukvara som tjänst, exempelvis ett interaktivt beslutsträd för egen triagering. Det kanske inte är fullt så spännande att använda en AI-teknik för att skapa en mer statisk kunskap. Att det “enda” AI:n gör är att skapa resultatet snarare än att vara resultatet eller tjänsten.

Användningsområden för AI

Det finns inte heller en självklar samsyn kring vilka deltekniker som ryms inom AI. I samtalen med de som jobbar med en liknande inventering från Socialstyrelsen framkommer det en mer pragmatisk hållning då de inkluderar RPA (Robotiserad Processautomatisering) vilket är utanför avgränsningen för arbetet inom Swelife. Dessvärre gör olikheter likt denna det svårt att fullt ut dra nytta av varandras arbete.

Om man grupperar AI-teknikerna efter hur de kan liknas vid mänsklig intelligens får man fram bland annat:

  • Förmågan att lära sig genom att beakta exempel (maskininlärning).
  • Se, höra och tolka visuella- eller ljudintryck (datorseende/computer vision, artificiell hörsel).
  • Optimering och förbättring (artificiell nyfikenhet och förstärkt lärande).
  • Konsten att röra sig och utföra saker i den fysiska världen (robotik, proteser).
  • Kommunicera med, tolka och interagera med omvärlden (naturligt språk – NLP, ansiktsigenkänning, tolka kroppsuttryck).
  • Förutsäga framtid och planera scenariobaserat (autonoma multiagentsystem).

Men begreppet intelligens är inte heller det så självklart som man först kan tro. Peter Gärdenfors, professor i kognitionsvetenskap i Lund, om intelligens och att mäta intelligens hos icke-mänskliga varelser, som djur:

“– Det enda svaret är att intelligens inte är ett generellt begrepp. I stället kan vi tala om problemlösningsförmåga. Vi människor klarar av många praktiska problem; vi är väldigt flexibla, har lyckats befolka jordens alla hörn. För mig är det ett tecken på intelligens. Å andra sidan har alla djur sina sätt att lösa problem. Titta bara på orangutanger, som är fantastiska klättrare, eller fladdermössen med sin spatiala förmåga – de har bägge specialförmågor som vi inte har en chans att uppnå. Så vad skulle det betyda att en robot är intelligent?
Kan vi skapa intelligens?[10] (Forskning och Framsteg, 2015)

En förmåga att lösa mer eller mindre väldefinierade problem och söka svar på specifika frågor är i viss utsträckning precis vad maskiner gör. Sen om den försöker vinna i ett spel med orimligt många kombinationer av spelpjäser eller klassificera om något på en bild är ett benbrott drar mer åt AI än de enklare beräkningsformler vi själva skriver i kalkylprogram.

Men det finns förstås kritiker av en inkluderande syn på begreppet intelligens. John Searle, professor i filosofi vid Berkeley, anser att:

“– En maskin kan inte vara intelligent, eftersom intelligens förutsätter medvetande. Och en dator är inte medveten. Siri, och alla andra datorer, förstår inte meningen i det du säger och inte heller begriper den sina egna svar. En dator manipulerar bara symboler utan att förstå innebörden av dem.”
Kan vi skapa intelligens?[11] (Forskning och Framsteg, 2015)

Denna rapport (och projekt) nöjer sig dock med att AI-teknikerna är kapabla att lösa problem och besvara frågor som inte är helt uppenbara. Att AI-tekniken lyckas förstärka eller komplettera den intelligens som användaren har.

Figur 1: Sju gemensamma drag för att gruppera AI (Cognilytica, april 2019)

Analysföretaget Cognilytica[12] har föreslagit ett intressant sätt att gruppera användningen AI-tekniker som verkar fungera rätt bra, trots att vissa lösningar faller inom fler grupper än en:

  1. Hyperpersonalisering – vilket inom life science praktiskt taget är liktydigt med precision medicine – att det finns så mycket information att man kan gå från gruppnivå till anpassning för individer, kanske på sikt “precision health”, som utgår ifrån individens förutsättningar att bibehålla en god hälsa.
  2. Autonoma system – som de relativt självgående drönarna som testats för  transporter inom enheter, testas av glesbygdscentrum i Region Västerbotten och på Sahlgrenska Universitetssjukhuset. Begreppet “autonom” är dock komplicerat då det finns många nivåer av hur pass självständiga dessa ting/system är.
  3. Prediktion och beslutstöd – i detta fall som exempelvis medicinska beslutstöd, prediktion av den tid en patient behöver vård eller risk för något. Sedan finns det en uppsjö med lösningar som vänder sig direkt till individer, snarare än genom en vårdgivare.
  4. Konversation och interaktion med människor – som tandvården i Västerbottens receptionsbot Aida[13] – men du har garanterat hört talas om chatbotar i andra sammanhang, pratat med ett system över telefon. All form av interaktion räknas. Som text-till-tal, tal-till-text, olika sorters språkliga översättningar och mycket mer.
  5. Upptäcka mönster och avvikelser – här kommer analys av gener in och medicinska digitala tvillingar för att jämföra individer med varandra, vilket kan vara fantastiskt för ovanliga diagnoser bland annat. Men den kanske största gruppen rent generellt här är allt det maskininlärning kan göra på olika datamängder. Som olika former av gruppering, tidsserieanalyser[b][c], med mera.
  6. Igenkänning – som i att för en synsvag person identifiera vilka piller som ska ätas tillsammans med vilken måltid. I generella sammanhang förmågan att identifiera och beskriva saker vilket kan vara olika sorters hjälpmedel. Stor överlappning med grupp 4.
  7. Målsökande system – i ett vårdkontext kan det handla om att motivera en individ att ta sina mediciner eller att genomföra fysisk aktivitet – men generellt är detta att lyckas påverka eller styra ett system, exempelvis att vinna ett parti schack.



Inventering av AI-projekt i Sverige

Figur 2: Svenska AI-initiativ inom life science

Bilden kan vara svår att se beroende på hur du läser denna rapport, men den finns att ladda ner som PDF-fil[14]. Du som vill läsa anteckningarna på respektive nod bör kolla in Markdown-versionen[15], vilket är ett vanligt textdokument men med lite särskild formatering.
————————

Inom AI-tekniker generellt görs det väldigt mycket och en hel del av det kan säkert komma life science till godo, åtminstone indirekt. När det gäller vård och hälsa tycks det finnas en stor samsyn att det är ett av de absolut mest lovande områdena för att tillämpa AI-teknik. Healthcare nämns ofta i internationella sammanhang samtidigt som fordonsindustrin när det dras två-tre exempel. Men då är det den senaste vågen av AI, ofta kopplat till upptäckten av djupinlärning för cirka 10 år sedan, man avser. Djupinlärning som först visade sig göra en avgörande skillnad för bildklassificering, men snart därpå fungerat bra för naturligt språk (NLP, Natural Language Processing) och andra sysslor. Som att hitta mönster som är hopplösa för en människa att hitta på egen hand, vilket är vad som krävs för att identifiera likheter bland gensekvenserade individer, då det är enorma datamängder och ibland extremt komplexa samband det handlar om.

Sedan tidigare finns en äldre generation av AI, GOFAI[16] (Good Old-Fashioned AI) vilket är den bilddiagnostik som finns i produktion inom radiologi, patologi och andra inriktningar när det handlar om att visuellt analysera något. Det kallas också ibland för expertsystem då det var en mänsklig expert som handgripligen kodade ner det den visste på ett sätt som maskiner förstod. Ett regelbaserat system. Alltså inte samma som idag där maskininlärning är lite mer självgående och automatiserad (se AutoML[17] och Neural Architecture Search[18] (NAS) som exempel).

Ett intervjuoffer beskrev GOFAI sarkastiskt som “en AI som faktiskt fungerar”. Handsken är härmed kastad till de som jobbar med all den AI som är i ropet nu men som ännu inte lyckats ta sig ut i vårdens vardag. Den kanske bara behöver mer tid, men som tidigare nämnts är juridiken inte helt samspelt med tekniken just när det gäller vårdens möjligheter att dra nytta av nästa generation av AI.

Några exempelprojekt och centrumbildningar

Som nämnts tidigare blev det verkligen högt och lågt vid försök att samla ihop en bra lista över nationella AI-initiativ. Dels för att det verkar som att nästan alla har gjort diverse testprojekt i olika stor omfattning, förstudier, m.m. Dessa kan vara allt från att ha tillämpat något gränsfall mellan Business Intelligence-teknik[19] och maskininlärning på en datakälla, och lärt sig något, till att vara en mötesplats för AI-tekniken datorseende inom radiologi. Ännu en försvårande dimension är var på skalan grundforskning vs. redan i bruk något är.

Men några lite större exempel/kluster är nog ändå intressant att lyfta fram.

Linköping/Norrköping: AIDA (Analytic Imaging Diagnostic Arena), CMIV och Visual Sweden

Linköpings Universitets AIDA stöttas bland annat av Swelifes systerorganisation Medtech4Health och Vinnova:

“AIDA är en nationell arena för forskning och innovation kring artificiell intelligens, AI, för medicinsk bildanalys.”
AIDA (Analytic Imaging Diagnostic Arena) på Linköpings Universitet[20]

I Linköping finns också CMIV (Centrum för medicinsk bildvetenskap och visualisering), Visual Sweden i närliggande Norrköping och så är också regionens smarta specialisering just simulering och visualisering. Mer om smart specialisering senare.

Man jobbar också med projekt som medicinsk digital tvilling (MeDigIT):

“[…] att underlätta användningen av individspecifika digitala modeller i sjukvården för bättre diagnostik, mer individanpassad behandling av sjukdom, och förenklad och förbättrad utbildning av sjukvårdspersonal.”
Medicinsk Digital Tvilling (MeDigiT)[21]

Göteborg: AI Innovation of Sweden, Scapis, PreSISe, språkdatalabb och Chalmers AI Research Centre (CHAIR)

På Lindholmen i Göteborg öppnade den första noden av AI Innovation of Sweden[22] under våren, och kommer följas av Stockholm och Malmö/Lund. Det finns ett flertal mål utöver att ha en gemensam kontorsyta, ett av dem är att bygga upp en datafabrik. En del som gäller life science är att Scapis-datasetet kommer till datafabriken. Scapis[23] är en världsunik studie som samlats in för att förhindra hjärt-kärlsjukdomar och har följt 30 000 personer.

Inom PICTA (också på Lindholmen) jobbar man med PreSISe:

“PreSISe är ett långsiktigt projekt där ett AI-baserat beslutsstöd ska utvecklas och utvärderas för prehospital skattning av sepsisrisk.”
PreSISe – Prehospitalt BeslutsStöd för Identifiering av Sepsisrisk[24]

Språkdatalabbet hamnar i tidigare nämnd datafabrik, men det återstår att se om någon av de domänspecifika texterna handlar om vård eller hälsa. Följande syfte och mål angavs i alla fall vid ansökan till Vinnova:

“…ta fram svenska referensdataset och modeller för Natural Language Processing (NLP) och tillgängliggöra dessa med öppen access i AI Innovation of Swedens datafabrik. Projektet kommer också inkludera förstudier för vidare projekt inom domänspecifik text och förtränade modeller.”
Svenskt Språkdatalabb[25]

Upplägget nämner att “Projektet inkluderar också förstudier för tillämpningen av domänspecifik text” så kanske är det möjligt att påverka.

CHAIR[26] på Chalmers har ett uttalat fokus på “applied AI in life science and health” som ett av sina fem områden och har börjat leverera på den punkten. Chair ska också samarbeta med Sahlgrenska Universitetssjukhuset:

“Nu inleder Chair och Sahlgrenska Universitetssjukhuset ett strategiskt forskningssamarbete kring AI i vården. Sjukhuset får ta del av den AI-kompetens som finns på Chalmers – samtidigt som Chalmers tar del av universitetssjukhusets medicinska kompetens.”
– Chalmers och Sahlgrenska Universitetssjukhuset i forskningssamarbete kring AI i sjukvården
[27] (september, 2019)

Umeå: WASP-HS (Wallenberg AI, Autonomous Systems and Software Program – Humanities & Society)

Umeå Universitet har rekryterat Virginia Dignum för att stärka sig inom social AI och under 2019 har de som värduniversitet tilldelats pengar från Wallenbergstiftelsen WASP för detta. Social/etisk AI är inte nödvändigtvis relaterat till life science, men är garanterat en värdefull resurs.

“– Vi kommer bland annat titta på metoder och verktyg för att säkerställa att AI och autonoma system formas så att de inte strider mot mänskliga värderingar och etiska principer.”
– Virginia Dignum[28], forskar om samhälleliga, etiska och kulturella konsekvenser av AI

Sammanfattning av samtal i Umeå[29]

I Umeå fördes samtal med IT-kunniga projektledare, forskare, datavetare, akademiker, konsulter, direktörer och chefer. Alla med olika bakgrund, bland annat som aktiva inom beslutstöd, lärare, ingenjörskonst som medicinteknik och lite till.

Den nytta man såg med AI-tekniker återkom ofta till att det inte fanns människor eller resurser till allt man önskade. Illustrerande exempel man jobbade med, som en chatbot i receptionen hos tandvården, fanns redan ute i verkligheten. Medan vi i södra halvan av Sverige pratar om brist på personal och resurser som ett kommande problem är detta redan verklighet i Norrlands inland, men också behovet att i Umeå optimera schemaläggning för patientens skull då resvägen kan vara lång. Så man inte har en resa för att lämna blod, en annan för att få resultatet berättat för sig, och så vidare. Något som vore personcentrerat även där man inte har lång resväg. I “närliggande” Skellefteå jobbar man med uppkopplade hem tillsammans med IoT Sverige[30] för en flexiblare hemtjänst.

Stockholm: I-AID, H2, MedTechLabs och KTH

Karolinska Universitetssjukhuset och Region Stockholm jobbar med I-AID, ett stöd för att snabbare införa AI i vården.

“[…] att snabbare driva utvecklingen – och införandet – av AI i vården, utifrån patientens och vårdens behov. Målet är säkrare och snabbare diagnostik för att använda vårdens resurser på bästa möjliga sätt och skapa mer jämlik vård.”
I-AID – regional kraftsamling för att snabbare införa AI i vården[31]

En annan innovation i sammanhanget var att Karolinska körde en öppen remiss på sin kommande upphandling av AI under våren 2019.

Det ser ut att bli en nod av AI Innovation of Sweden i Kista, men redan idag finns H2 Health Hub[32] för den som söker en mötesplats för nordisk healthtech.

Centrumet MedTechLabs[33] är ett nytt center som stöttas bland annat av KTH. KTH har dessutom sin Life Science Technology-plattform.

“Life Science Technology är ett tvärvetenskapligt område format genom konvergensen av ingenjörsvetenskap, fysik och matematik. Flera forskningsgrupper på KTH är världsledande inom respektive expertisområde.”
KTH:s Life Science Technology (LST)-plattform[34]

Sen har Stockholm förstås en del möjligheter som huvudstad och den plats där ett flertal viktiga myndigheter och nyckelpersoner finns.

Sammanfattning av samtal i Stockholmsområdet

För Stockholmsområdet var det en handfull som samtalades med i mars. Deras profil var konsulter, utvecklare, produktansvarig, projektledare och mer eller mindre stor dos av tekniskt säljstöd. Gemensamt för de uppdrag som nämndes var att kunden var finansierad med skattemedel och att lösningarna syftade till att höja kvaliteten i hälso- och sjukvården genom att bli (ännu) mer datadriven.

En av deltagarna la mycket tid på att prata korrelation[35] och kausalitet[36] – att man även inom AI-området tenderar att förhasta sig och tillämpar något utan att faktiskt förstå orsaken (kausalitet). Hen tyckte vi borde jobba mer med orsakssamband, åtminstone när något var viktigt. Att man i Stockholm numera har AI Sustainability Center[37] nämndes mer än en gång.

En annan av samtalsparterna jobbade med avancerad analys i form av en analysprodukt som på senare år byggt in funktioner för maskininlärning, naturligt språk, datorseende och prediktion. En slutsats var att man i USA jobbar med processen bakom en AI som en lösning på tillit-problemet med “black box”, samt att det faktiskt finns mjukvara som tillgängliggör AI-teknik för folk som inte behöver lära sig att programmera.

Skövde (enbart Högskolan i Skövde)

En intressant sak med Skövde är att man på högskolan har vårdutbildning, samt kunnigt folk inom AI-teknik. Där finns också kompetens om användarupplevelser och spel vilket är relevant på ett flertal sätt, inte minst för att designa AI-lösningar så de kommer till användning.

Exempelprojekt:

  • DMDPipe[38] – identifiera och analysera sjukdomsalstrande proteiner
  • Bio-mine – metoder för diagnos och prognos för att besvara frågor som hur långt gången en sjukdom är. Baserat på biomarkörer.
  • AI-teknik för att analysera donerade blodkärl, för att undvika immunreaktion hos mottagaren.

Sammanfattning av samtal i Skövde

Man jobbar på projekt tillsammans med fordonsindustrin som kan komma till indirekt nytta för hälso- och sjukvård, exempelvis att försöka tolka en människas intention vid rörelser och klassificera gester. Man jobbar också med AstraZeneca för att ta fram nya läkemedel, bland annat genom djupinlärning. Undertonen i samtalen var att göra saker lite närmre en tillämpbar verklighet i jämförelse med andra högskolor.

Malmö/Lund: Medicon Village, Smile Incubator och HealthTech Nordic

Medicon Village[39] är en science park för life science, där ett flertal förstås jobbar med olika AI-tekniker. Inkubatorn Smile[40] och projektet HealthTech Nordic[41] som hjälper startups inom hälsoteknik, som inte nödvändigtvis enbart finns i Skåne, exempelvis:

  • aiten[42] – personliga algoritmer för de med hypertoni
  • Aweria[43] – beslutstöd för prehospital- och akutvård
  • Boneprox[44] – bedömer risk för benskörhet via tandröntgen

Bara för att nämna ett fåtal i toppen av den alfabetiska listan.

Sammanfattning av samtal i Malmö och Lund

I södra Sverige dök det upp ett flertal läkare på träffarna. Andra som kom var startups eller etablerade organisationer som hade AI-projekt som blivande avknoppningar. Ett flertal är inom medicinteknik, andra jobbade i kombination mellan vården och akademin. Några gjorde maskininlärning från grunden medan andra körde de ramverk som erbjuds.

En intressant sidodiskussion dök upp på alla orter, inklusive i södra Sverige. Att “AI egentligen bara är en mer avancerad analys” och att ämnet närmades både med en dos irritation kring begreppet, men också att ytterst få vill säga att de är bra på det.

Halmstad Universitet och Region Halland

Aiway[45] vid Hälsoteknikcentrum i Halland är spännande som en mix mellan Region Halland och Halmstads Universitet. Universitetet har omnämnts under vårens intervjuer som en tankeledare inom IT-säkerhet vilket förstås är relevant i detta sammanhang. I och med att man har ett samarbete med amerikanska organisationer undersöker man också distribuerad maskininlärning för att följa det integritetsskydd som förväntas.


Och ja, det finns garanterat många fler satsningar som är värda att nämnas. Det finns ett kommentarsfält nederst på denna sida och alla tips mottages tacksamt

Centrumbildningar och satsningar utan fokus specifikt på life science

Vinnova släppte en rapport i juli 2019 över forsknings- och innovationsmiljöer som:

“[…] tagit på sig ett ledarskap och som samlar och koordinerar utvecklingskrafter och kompetens för utveckling av artificiell intelligens. Miljöerna har olika karaktär och utgörs av forsknings- och utbildningsmiljöer, testbäddar, inkubatorer, hubbar, arenor och nätverk.”
AI-miljöer i Sverige[46] (Vinnova, juli 2019)

Figur 3: I ovanstående Vinnova-rapport finns denna visuella presentation över var i Sverige AI händer.

Inom akademi, forskning och utbildning är det några som sticker ut. Några har redan nämnts, som KTH, Umeå Universitet och Chalmers. Men det finns fler, som de nationella; AI Competence for Sweden[47] som jobbar nationellt med utbildning och kompetensutveckling inom AI och SAIS – The Swedish AI Society[48]. Wallenbergstiftelsen WASP (Wallenberg AI, Autonomous Systems and Software Program) satsar flera miljarder de kommande åren på AI, bland annat på humanistisk- och samhällsvetenskaplig forskning inom AI och autonoma system – WASP-HS[49]. WASP-HS kommer att bedriva en forskarskola med upp till 70 st doktorander. En stor del av de pengarna landar hos Umeå Universitet, som också själva satsar 100 miljoner på AI[50].

Innovationsmyndigheten Vinnova har förstås hållit ett flertal utlysningar, bland annat om att påbörja sin AI-resa, använda naturligt språk (NLP) som teknik, med mera.

Vinnova-rapporten, AI-miljöer i Sverige, har mer detaljer om respektive AI-miljö.


Vad kan Sverige bli bäst på?

Här kommer några tidiga tankar kring Sveriges konkurrenskraft inom kombinationen av life science och AI-tekniker. Under hösten kommer en GAP-analys att genomföras som avser vara mer heltäckande, genomarbetad och genomtänkt. Se slutrapporten i december om detta är av intresse.

Av de saker som talar för att Sverige på sikt ska kunna bli riktigt bra på AI inom life science är det ofta våra kvalitetsregister och personnummer som nämns under de intervjuer som arrangerats.

Konkurrenter som nämns i mer generella sammanhang är “AI-giganterna” USA och Kina. Men de har inte samma samhällssystem som vi, vilket kan spela till Sveriges fördel när det gäller att erbjuda AI till andra i Europa, eller andra kompatibla länder eller organisationer. Det uppskruvade tonläget kring AI på nationell nivå, påminner om kalla krigets tävlan, tycks vara både överdrivet och kontraproduktivt. Vilket man ganska snabbt stöter på vid recensioner av Kai-Fu Lees bok AI Superpowers – China, Silicon Valley, and the New World Order[51]. Tankegången är inte nödvändigtvis konstig, men det har ett väldigt fokus på nationell nivå, när initiativ i andra sammanhang har mer med region att göra, eller branschkluster.

Med risk för att spekulera; när det gäller argument om Sveriges litenhet, att hela vår befolkning är en väldigt liten kohort jämfört med andra länder så är väl inte den frågan helt avgjord. Dels av anledningen att inte allt inom life science kräver den nivå av precision att det behövs tillgång till flera hundra miljoner individers journaler, men också att det delvis görs ett antagande om att svaret på en individs hälsa ligger på gruppnivå. Visst hjälper det att ha enorma datamängder för att hitta en individ med motsvarande genuttryck, men med tanke på den energiåtgång det kräver att ens göra en specialiserad AI-modell är det kanske en frågeställning för framtiden när AI kan tränas väsentligt mycket mer effektivt. MIT Tech Review[52] visade att en träning av AI kan motsvara utsläppen för fem bilar under hela deras livsperiod.

På tal om specialiserad AI, att vi i jämförelse har en delvis homogen befolkning gör väl oss relevanta i vissa sammanhang? Åtminstone på delar av svenskättlingars medicinska digitala tvillingar, exempelvis i ett köpstarkt USA.

Och hur mycket kan Kina exportera inom vård-AI? Har de svaret på Skelleftesjukan[53], som förutom att förekomma i Västerbotten och Norrbotten, också finns i Japan, norra Portugal och i Brasilien? Tiden får utvisa. Det kommer mer om denna typ av frågeställningar i delrapport 2: internationellt inom life science + AI, som ett utkast i höst.

Redan etablerad specialisering

Ett sätt att resonera kring vad det är lönt att satsa på är att utgå från Tillväxtverkets arbete med smart specialisering[54] och den vilja respektive region har kring deras fokus:

“Smart specialisering handlar om att satsa på det vi kan bli bäst på. Allt för att stärka vår framtida konkurrenskraft.”
Smart specialisering (Tillväxtverket)

Om vi filtrerar ut bara det som har med life science-liknande riktningar att göra, eller där användandet av AI-tekniker borde kunna smitta av sig till life science, kommer vi fram till nedan lista. Man kan få en känsla för vad mer som finns i närmiljön som kan förstärka ett branschöverskridande perspektiv och utbyte av erfarenheter.

  • Blekinge
  • ICT (Informations- och kommunikationsteknik)
  • Digitalisering
  • Dalarna
  • Hälsa & välfärd
  • Halland
  • Hälsa
  • IT
  • Skåne
  • Personlig hälsa
  • Stockholm
  • Hälsa, vård, omsorg
  • Uppsala
  • Life science
  • Tech-branschen
  • Västerbotten
  • Digitala tjänster
  • Hälsa och sjukvård
  • Life Science
  • Västmanland
  • Välfärd och hälsa 
  • Västra Götaland
  • Life science
  • Örebro
  • Autonoma digitaliserade intelligenta system
  • Livsmedel i skärningen hållbarhet, hälsa, miljö & måltid
  • Östergötland
  • Simulering & visualisering

Östergötland är ett bra exempel på region som trots att de inte specialiserat sig på något inom life science ändå verkligen är verksamma i sektorn. Genom sin specialisering på simulering och visualisering jobbar man med AI-tekniken datorseende. Bland det visuella märks de av bland annat genom AIDA, och projekt inom Visual Sweden, som är inne i life science som sektor.

Och sen att Västra Götaland har en specialisering på textil kan tänkas långsökt för att vara relevant i detta sammanhang, men det finns gränsöverskridande projekt kring smarta textilier[55] som kan diagnosticera bärarens hälsa. Inte heller tänker man kanske att hållbara transporter ska få folk att jobba med autonoma ambulansdrönare. Så ovanstående filtrerade lista avslöjar inte hela sanningen, men ger förhoppningsvis lite ledtrådar. Kolla in Tillväxtverkets webbplats[56] för en komplett lista med specialiseringar.

Läkemedel och avancerade terapiläkemedel (Advanced Therapy Medicinal Products – ATMP)

Beroende på vad man inkluderar i läkemedel görs redan mycket med hjälp av AI-tekniker men det finns förstås potential. Ett exempel vi stött på under resan runt landet var samarbetet mellan forskare på Högskolan i Skövde och AstraZeneca. Forskarna på högskolan beskriver det som att AI, och särskilt djupinlärning, har stor potential inom allt som slutar med *omics. Det vill säga bland annat genomics.

Inom området ATMP finns förstås fler, bland annat Karolinskas Centrum för Cellterapi (KCC)[57], som även erbjuder tjänsterna inom Europa.

En annan aspekt av läkemedel är frågan om följsamhet. Tar patienten sina läkemedel alls? I rätt tid och på rätt sätt? Detta är något för målsökande system (exempelvis reinforcement learning[58], förstärkt inlärning, där AI:n skulle försöka hjälpa/optimera patienten att göra rätt och få belöning när det går bra och bestraffning när det blir fel), men också i kombination med spelifiering i patientens ände. Där spelarna är människan och maskinen som tillsammans ska försöka uppnå vissa mål.

Att följa upp följsamhet med medicinering via nätet har funnits i olika tappningar i något år.  En av aktörerna vi stött på är Mevia[59] och på Vitalis 2018 demonstrerades en lite mer generell doseringsrobot som talade och larmade vid behov. Här kan utveckling inom hyper-personalisering göra maskinen mer hjälpsam och anpassad till individen.

Proteinveckning

Proteinveckning[60] (eng. Protein Folding) är också möjligt att inkludera. Beroende på ett proteins tredimensionella form har det olika funktion. Med en mix av enorm datorkraft och maskininlärning kan nya former tas fram och automatiskt testas in silico[61], i en maskin alltså. Man låter maskiner ta fram tänkbara kandidater att utvärdera vidare.

Det pågår samarbete över internet, där även lekmän på området kan hjälpa till, i projekt som Folding@home[62] där man kan donera lite beräkningskraft.

Inom läkemedelsområdet finns en etablerad väg till marknaden, vilket gör den internationella konkurrensen tuff. Sen kan man argumentera för att inte allt detta är AI eftersom AI-teknikerna ibland används för själva upptäckten snarare än att vara resultatet. Men med AI betraktat som ett verktyg kan det göra stor nytta för både befolkningens och enskildas hälsa.

Egenvård och prevention

Att vi i Sverige (särskilt södra delen och i Stockholm) har många ingenjörer som är bra på mobilteknik, i kombination med vår medicinteknikbransch, gör att det bör finnas en grundförutsättning för att skapa lösningar som stöttar medborgare och patienter i en hälsosam vardag.

Activity Recognition[63], och för denna delrapports intresse specifikt Human Activity Recognition[64] (HAR), är intressant. Man försöker få en maskin att “förstå” sammanhang genom en serie av observationer med hjälp av diverse sensorer. Inom omsorgen finns exempelvis armband som genom tidsserieanalys försöker lista ut om en hård smäll var att personen föll eller råkade slå handleden mot något. Är armbandet stilla för att personen gått och lagt sig eller har hen segnat ner på golvet och behöver hjälp?

Dessa lösningar letar mönster både från enskilda individer samt vad på gruppnivå som kan öka precisionen även på individnivå.

Svenskar pekas ofta ut att vara en teknikglad befolkning, vilket är en förutsättning för att vardagsteknik ska kunna utvecklas lokalt men också komma till användning, verifieras och produktifieras. Området kallas ibland för välfärdsteknik och finns på flera håll i landet, bland annat AllAgeHub[65] som jobbar med tillgängliga boendemiljöer för alla åldrar. Att ha en teknikglad befolkning ger också förutsättningar till patientdriven innovation inom egenvård.

Var utförs vård-AI? I personens egna prylar eller i vårdens slutna system?

Merparten av utförd vård är egenvård, utförd av personen själv eller dess anhöriga. Men gränsen är inte knivskarp mellan vård och egenvård. Hälso- och sjukvården gör redan saker som stöttar egenvården, men erbjuder ibland också verktyg där personer med hjälp av AI-teknik i vardagen kan övervaka sin hälsa för att förebygga eller åtminstone lindra konsekvenser.

Ett sådant exempel, i form av en app i mobilen, är MoodMapper:

“Man kan klart visa att just förändringar i vardagsbeteendet speglar hur man mår. Till exempel om man håller på att bli deprimerad, så är det mer sannolikt att man ringer färre samtal och kanske rör sig mindre. Om man däremot är manisk är det mer sannolikt att man har fler kontakter.”
– Ulla Karilampi
[66], Mobilapp ska hjälpa bipolära (GP)

Figur 4: Spetspatienten Hanna Svensson illustrerar var hennes data finns. (Bild lånad av H Svensson[67]) 

“Visste du att sjukvården sparar 0,03% av mitt sjukdata. 99,97% ser de sällan, och de finns inte i sjukvårdsdatat, de finns bara i egenvård.“
Hanna Svensson[68] (Twitter, juni 2019)

Om man utgår från Hannas exempel kan man fråga sig om det alltid är med sjukvårdsdata där magin inom AI händer. Behövs det ett samarbete om patientens data, eller kanske klarar sig patienten rätt bra utan sjukvårdsdata när det gäller AI.

Säljpitchen för sjukvårdsdata är att det är kalibrerad och kontrollerad utrustning som hanteras av professionella användare. Men det är i en för patienten onormal miljö och inte under vardagliga förutsättningar. Dessutom riskerar det att vara något missvisande då det är stötvis inhämtad information och åtminstone i vissa sammanhang inte direkt stora data (vilket modern AI ofta kräver).

Ett annat sätt att gruppera informationen om någons hälsa är att fråga sig vem som kontrollerar den eller har tillgång till den. Här finns massor med aktörer. Utländska teknikjättar, företag som tillverkar sensorer eller mobiler, nischade hälsobolag som PatientsLikeMe, konsumentvänliga genetikföretag som 23andMe, försäkringsbolag, träningsskoföretag, och entusiaster som spetspatienter och de i quantified self-rörelsen[69]. Ibland hamnar dessa data på internets mörka bakgård till försäljning till högstbjudande.

Djävulens advokat skulle ofta kalla de flesta av dessa AI-lösningar för tillämpad statistik eller matematik. Förmodligen helt korrekt kritik. Samtidigt är allt en maskin utför en matematisk beräkning, det är trots allt det enda sättet en dator kan utföra något över huvud taget.

Är vi bra på datacenter, molninfrastruktur och spelar det roll för life science?

Läser man IT-branschpress är det lätt att tro att Sverige har en unik position att bedriva datacenter tack vare vårt svala klimat och närhet till ett något varmare Europa. Exempelvis:

”– Den svala nordiska regionen är Europas hetaste datacentermarknad. Ett företag som etablerar sig med 100 megawatt över 20 år kan spara omkring 2 miljarder dollar genom att placera sitt datacenter i Sverige eller Norge jämfört med Storbritannien.”
– Byrne Murphy
[70], ordförande i Digiplex (maj 2019, Computer Sweden)

Men hur kommer detta life science till nytta? Det löser inte juridiska knutar som den amerikanska lagstiftningens CLOUD Act[71]. Så varken Cerner eller Epic har mycket att vinna på att bygga upp en extra moln-infrastruktur i Sverige för sina journalsystem. CLOUD Act innebär att amerikanska företag inte kan leverera molntjänster till organisationer vars data lyder under svensk säkerhet- och sekretesslagstiftning. Detta eftersom den amerikanska lagstiftningen kräver av amerikanska företag att lämna över data även om den är lagrad i exempelvis Sverige. eSam skrev i november 2018 att:

“eSams juridiska expertgrupp bedömer att det inte går att utesluta att en leverantör av en molntjänst som lyder under utländsk lagstiftning kan medverka till att sekretessreglerade uppgifter röjs.”
eSam ser risker med molntjänster i offentlig sektor[72]

eSams tolkning har dock mött en del invändningar sedan start och sedan våren 2019 en del klargöranden om vad som krävs för att CLOUD Act inte behöver vara ett problem, åtminstone inte rent juridiskt.

Kryptering, avidentifiering och pseudonymisering

Ibland pratas det om tekniker som kryptering, avidentifiering eller pseudonymisering. De som ser risker med detta brukar påpeka att kryptering kan ha brister, eller bakdörrar[73], som uppdagas först senare och då gör allt innehåll okrypterat. Sen hägrar kvantdatorer vid horisonten, vilka spås kunna knäcka krypton mycket enklare än vad som är möjligt idag.

Att knäcka kryptering är inget nytt. Kanske den mest kända knäckningen var när, bland annat AI-förfadern och geniet, Alan Turing[74] bistod i att avkryptera tyskarnas radiokoder under andra världskriget.

Inte heller avidentifiering är en magisk lösning på problemet, vilket Andy Coravos på firman Elektra Labs, specialister inom biomarkörer, konstaterar (tillagd fetstil):

“How many people here think you could de-identify your genome?”
“Probably not, because your genome is unique to you. It’s the same with most of the biospecimens coming off a lot of wearables and sensors —
I am uniquely identifiable with 30 seconds of walk data.”
What if AI in health care is the next asbestos?[75] (STAT)

Figur 5: Webbplatsen xkcd[76] ironiserar i vanlig ordning kring teknik.

Informationssäkerhet är ett svårt ämne och något som behöver diskuteras av fler delar av samhället än de som är experter inom IT-säkerhet. Vad anser vi är en acceptabel risk?

För data som inte över huvud taget har ett skyddsvärde kanske man kan dra nytta av dessa satsningar på lagrings- och beräkningskapacitet som andra organisationers datacenter innebär. Samtidigt har ingen av de som intervjuats uttryckt detta som ett behov. Snarare att “när det behovet uppstår har vi redan kapacitet och jag vet vem internt som jag ska prata med”. Det är inte helt enkelt att se om allt pratande om behovet av publika moln, som driftas av tredjeparter, eller utomeuropeiska IT-jättar, har en faktisk efterfrågan.

“Anonymity is a shield from the tyranny of the majority”
– John Paul Stevens, U.S. Supreme Court

Vid de senare årens kända dataläckor har det ibland gått att koppla vad som i ett enskilt system verkar vara anonyma data till individer, genom att lägga till fler datakällor. Något Claudia Diaz[77] under en föreläsning, på ett Chalmers-seminarium om digitalisering 2018, poängterar inte underlättas av internets existens då data flödar lättare än någonsin tidigare.

Diaz ger i föreläsningen exemplet att boken Frankenstein ursprungligen publicerades anonymt, eftersom det kunde vara dålig PR på 1800-talet att författaren var en kvinna. På tal om majoritetens tyranni. Men när det väl klargjordes att författaren var Mary Shelley[78] var anonymiteten som bortblåst för gott. Och idag, när över halva världens befolkning har tillgång till internet, sprids information om en bruten anonymitet snabbare och enklare än någonsin.

Man behöver förstås komma ihåg att all informationshantering innebär risker. Alldeles oavsett om man använder tredjelands molnföretag, har sin egen serverhall i ett bombsäkert skyddsrum eller faxar patientjournaler.

Eller som Anna Troberg, dåvarande partiledare för “enfrågepartiet” Piratpartiet, skrev 2013:

“Först och främst, är historien ytterligare ett bevis på att alla databaser läcker. Ibland sker det via medvetna läckor, ibland på grund av slarv, ibland genom att de blir hackade utifrån, det enda man kan veta tämligen säkert är att de kommer att läcka förr eller senare. Om det inte redan skett, så är det bara en tidsfråga innan en databas som innehåller information om just dig också läcker. Det kan vara bra att ha i bakhuvudet för oss alla.”
Medierna blir till offentlig skampåle[79] (SvD, december 2013)

Sedan ovanstående skrevs för drygt fem år sedan har 2,7 miljoner samtal till 1177 legat oskyddade mot internet. I bästa fall har inga fler än journalisterna på Computer Sweden laddat ner några inspelningar.

“[…] ett av de största haverierna någonsin när det kommer till svensk patientsäkerhet och personlig integritet. På en öppen webbserver, helt utan lösenordsskydd eller annan säkerhet, har vi hittat 2,7 miljoner inspelade samtal till rådgivningsnumret 1177. Samtalen sträcker sig tillbaka till 2013 och det handlar om 170 000 timmar av känsliga samtal som vem som helst har kunnat ladda ner eller lyssna på.”
2,7 miljoner inspelade samtal till 1177 Vårdguiden helt oskyddade på internet[80] (Computer Sweden, februari 2019)

Detta är dessvärre långt ifrån det enda exemplet där sjukvårdsdata sprids. Mest frekvent, eller mest uppmärksamhet, tycks det vara när en individ inom vården fälls för obehörig läsning av någons journal.

Visst behöver överträdelser likt de enskilda individer kan begå beivras. Men det är en enorm skillnad i storskalighet när en individ blir påkommen med att missbruka sin behörighet inom vård och omsorg, det drabbar en eller ett fåtal individer. Jämför det med att massor av människors känsliga uppgifter finns som en handelsvara på den mörka webben[81] eller blir allmänt tillgängliga likt det som hände i augusti 2014[82] när massor med kändisars privata bilder läckte ut på nätet.

Med centralisering av hälso- och vårddata kommer ett enormt ansvar. Kanske kan AI-tekniker som federerad inlärning[83] underlätta, att var och en behåller sina data. Men då måste alla aktörer som vill främja hälsa verkligen samarbeta – på riktigt!


Utmaningar

Juridiska bekymmer med att jobba förebyggande

Swelife har lagt en del fokus under 2019 på att diskutera det kortsiktiga i tänket att Sverige lägger så mycket resurser på att folk är sjuka, när man borde lägga manken till när det gäller förebyggandet. Swelife pratar om detta som i de stadier av hälsa en människa kan vara i:
Frisk <-> Risk <-> Sjuk. Men även om viljan finns att jobba förebyggande, att värna hälsa istället för att bota de redan sjuka, så är inte lagstiftningen anpassad till detta.

27 juni skrev tre stycken regionstyrelseordföranden, för Västra Götalandsregionen, Skåne samt Stockholm, ett inlägg i debatten i SKL-tidningen Dagens Samhälle – En modern vård kräver en modernare lagstiftning[84]:

“Förutsättningarna för insamling av patientdata bör ändras för att i större utsträckning möjliggöra en utveckling av den förebyggande hälso- och sjukvården och utveckling av beslutsstöd. Vårdpersonal skulle på så sätt få hjälp att arbeta mer patientsäkert genom system som signalerar särskilda riskfaktorer för en patient baserat på tidigare vårdbesök.”

och

“Patientdatalagen kräver ett uttryckligt samtycke från patienten för behandling av andra vårdgivares uppgifter. Även med hänsyn till integritetsaspekterna är inte samtyckeskravet ändamålsenligt i förhållande till sjukvårdshuvudmännens skyldighet att ge en god och patientsäker vård.”

Något även några regioners chefsjurister ställde sig bakom i “Chefsjurister kräver modern lagstiftning om patientdata” i juni, bakom Insiktmedicins betalvägg.

95% kan tänka sig att dela med sig av sin hälsodata

Genom sammanhållen journalföring kan en vårdgivare läsa uppgifter om en patient i en annan vårdgivares system. Detta kräver dock samtycke. Men en vårdgivare får idag inte lov att använda alla dessa uppgifter för att proaktivt träna upp en AI-tillämpning. Exempelvis att en region inkluderar allt det en kommun vet om samma individ.[d][e][f][g] Det är problematiskt och inte i linje med varken individers hälsa eller en kostnadseffektiv vård. I en opinionsundersökning beställd av Forska!Sverige 2018 så framkom att befolkningen/respondenterna till överväldigande del är positivt inställda att dela med sig, sammanfattat som att:

“95 procent av allmänheten är positiv till att dela sin hälsodata för forskning och hälsofrämjande syften.”
– Forska!Sveriges opinionsundersökning 2018
[85]

Alternativt kan man läsa deras undersökning som att var tjugonde (5%) inte tyckte något av de fyra svarsalternativen om vilken sorts delning man var beredd att göra, och istället valde: “Tveksam / Vet ej / Inget av ovanstående”. Men hur många behöver gilla tanken för att det ska vara försvarbart att ändra lagstiftningen? Sverige har nog många lagar med betydligt mindre folkligt stöd än 95 procent.

9% av granskade vårdtillfällen ledde till undvikbara vårdskador

Att nästan var tionde granskat vårdtillfälle, av de som SKL granskade gällande Västra Götaland (2017), ledde till en vårdskada som kunde undvikas är uppseendeväckande och allvarligt.

“Patienter, vårdgivare, forskare och företag måste få bättre möjlighet att bidra till insamling, användning och delning av data. Detta skulle minska antalet vårdskador i Västra Götaland väsentligt, samtidigt som vårdkvaliteten skulle öka och vården bli mer jämlik.”
– Hälsodata avgörande för bättre vård och färre vårdskador i Västra Götaland
[86] (Lerums Tidning, juli 2019)

För hela Sverige handlar det om 110 000 personer varje år och till en kostnad om nästan nio miljarder kronor årligen. Låt säga att lagstiftningen uppdateras, vad skulle då vara möjligt om vården hade en helhetsbild både över patienten men också över relevanta och anonyma andra personer vid behov av jämförelse? Och vad händer om vi återinvesterar de nio miljarderna i förebyggande åtgärder och utveckling av vården?


Summering

Utmaningar för att Sverige ska bli riktigt bra kommer i GAP-analysen, även de förslag på tänkbara “genvägar” som nominerats. Det kommer också några svar på frågan över vilka inriktningar som önskas för framtida utlysningar om pengar/resurser.

Det som nämnts under intervjuerna runt landet är till stor del samstämmigt. Budskapet är “ge oss arbetsro”. Ibland betyder det pengar, annars att man får stöd med det medicintekniska regelverket för mjukvara, både på hemmaplan och när det gäller den amerikanska marknaden.

En stor fråga är om värdet av AI inom life science kommer att leva upp till förväntningarna. Det är inte helt uppenbart efter dessa nio månader av utredning. Men, vad är vi redan bra på i Sverige och kan vi stå oss internationellt med dessa styrkor? Det är en av frågorna för inventeringen av svensk AI-teknik som är gångbar för life science.

Inledningsvis försökte vi lista de AI-initiativ som finns. Detta arbete visade sig vara relativt lönlöst då det saknas samsyn exakt vad AI faktiskt innebär. Och om man med god marginal ger sig in på de mer komplicerade delarna som AI-hajpen avser är det som Swelife-kollegan Lars Lindsköld säger kring det juridiska: “Allt går, men det är så jäkla krångligt att göra så många låter bli att ens försöka”.

AI inom vården måste ses ur flera parallella tidsperspektiv. Dels det som redan är gjort (och löst), det som hindrar oss från implementering idag, samt det som kommer först om några år ifall vi har en gynnsam utveckling.

  1. Gårdagens AI: Bilddiagnostik, optisk teckenläsning (OCR), robotassisterad kirurgi är exempel på en äldre form av AI som redan är i produktion.
  2. Dagens juridiska utmaningar/oklarheter: att exempelvis Patientdatalagen (PDL) inte tillåter en helhetsbild över patienten, Dataskyddsförordningen (GDPR) som hindrar profilering och automatiska beslut, samt ett medicintekniskt regelverk (MDR) som sommaren 2020 ställer hårda krav på medicinteknisk mjukvara, det vill säga AI inom vård/hälsa.
  3. Morgondagens AI: Vad framåt kan göras bara regler ändras? Att försöka dra nytta av den nyare AI:n som dagens hajp består av, det vill säga djupinlärning, till skillnad från de AI-expertsystem som är i produktion redan idag.

Kortfattat: Vad som talar för Sverige

Det Sverige (och delvis våra grannländer) har som en positiv möjlighet är:

  1. Våra personnummer som garanterar en unik identitet vilket gör att vi kan hålla våra datakällor mer ordnade.
  2. Vår långa tradition av att föra statistik för ett kommande datadrivet samhälle ger oss konkurrensfördelar. Exempel i form av våra kvalitetsregister[87], långa register tidsmässigt inom hälso och sjukvården från Socialstyrelsen.
  3. Sverige uppmärksammas ofta i diverse jämförelser för vårt innovativa sinnelag och att vi har en befolkning som inte räds att använda teknik.

Kortfattat: Sveriges nackdelar

Till vår nackdel har vi alla regler som skyddar och även ibland förbjuder det som kan tyckas självklart acceptabelt enligt befolkningen. Rapporten Förbjuden framtid? är rätt tydlig när det gäller kommuners problem med digitalisering, och delar av samma lagstiftning gäller även landsting. De konstaterar bland annat:

“…att vi idag inte får använda data för att hantera sammansatta komplexa problem med metoder som involverar informationsöverföring över sekretessgränser, eftersom ändamålen utveckling, beslutsstöd och förebyggande arbete inte har några sekretessbrytande regler.
Det finns givetvis många digitaliseringsåtgärder som kan genomföras ändå med stor potential, men de rör i allmänhet endast opersonliga data eller data inom respektive sekretessområde.“
– Förbjuden framtid?
[88] (Institutet för Framtidsstudier, 2017)

Samt landets tre största regioners inlägg i debatten juni 2019:

“Den tekniska utvecklingen ger stora möjligheter för oss i regionerna att skapa en bättre och mer samordnad vård. Denna utveckling vill vi ta tillvara med införandet av nya vårdinformationssystem. Men för att det ska vara möjligt behöver vi en lagstiftning som hjälper oss att utveckla vården.”
– Johnny Magnusson, regionstyrelsens ordförande i VGR, med flera
[89] (Dagens samhälle, juni 2019)

Med andra ord missar vi de stora möjligheterna med precisionsmedicin/precisionshälsa, eller hyper-personalization som det ibland kallas för inom AI, tack vare en lagstiftning som kan tyckas värna individers integritet mer än deras hälsa.

Har du kommentarer? Skriv gärna mejl till marcus.osterberg@swelife.se om du vill vara lite hemlig, eller lämna en kommentar nedan här på utvecklingsbloggen.


Tack till

Korrekturläsare, bollplank och andra som bidragit. Särskilt:

  • Anders Frick
  • Margreth Jonson Lekare
  • Niklas Angmyr
  • Pål Jacobsen
  • Lars Lindsköld
  • Hanna Svensson
  • Mia Isacson
  • Maria Lidholm

[1] https://en.wikipedia.org/wiki/Robotic_process_automation

[2] https://marcusosterberg.se/rpa.html

[3] https://sv.wikipedia.org/wiki/Business_intelligence

[4] https://sv.wikipedia.org/wiki/Datautvinning

[5] https://en.wikipedia.org/wiki/Extract,_transform,_load

[6] https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence

[7] http://www.forskasverige.se

[8] https://en.wikipedia.org/wiki/Omics

[9] https://sv.wikipedia.org/wiki/Spetspatient

[10] https://fof.se/tidning/2015/7/artikel/kan-vi-skapa-intelligens

[11] https://fof.se/tidning/2015/7/artikel/kan-vi-skapa-intelligens

[12] https://www.cognilytica.com/2019/04/04/the-seven-patterns-of-ai/

[13] https://www.vk.se/2019-03-29/har-halsar-roboten-aida-dig-valkommen-till-tandlakaren

[14] http://tba.nu/swelifesvmmpdf

[15] http://tba.nu/swelifesvmmmd

[16] https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence

[17] https://en.wikipedia.org/wiki/Automated_machine_learning

[18] https://en.wikipedia.org/wiki/Neural_architecture_search

[19] https://en.wikipedia.org/wiki/Business_intelligence

[20] https://liu.se/forskning/aida

[21] https://www.visualsweden.se/aktuella-projekt/medicinsk-digital-tvilling-medigit/

[22] https://www.ai.se

[23] http://scapis.se

[24] https://picta.lindholmen.se/projekt-1/presise-prehospitalt-beslutsstod-identifiering-av-sepsisrisk

[25] https://www.vinnova.se/p/svenskt-sprakdatalabb/

[26] https://www.chalmers.se/en/centres/chair/Pages/default.aspx

[27] https://www.sahlgrenska.se/nyheter/nyheter/chalmers-och-sahlgrenska-universitetssjukhuset-i-forskningssamarbete-kring-ai-i-sjukvarden/

[28] https://news.cision.com/se/marianne-och-marcus-wallenbergs-stiftelse/r/wallenbergstiftelserna-satsar-pa-humanistisk–och-samhallsvetenskaplig-forskning-inom-ai-och-autonom,c2831620

[29] https://vgrblogg.se/utveckling/2019/02/16/funderingar-om-ai-fran-umea/

[30] https://iotsverige.se/skelleftea-kommun/

[31] https://www.karolinska.se/iaid

[32] https://www.h2healthhub.com

[33] https://www.medtechlabs.se/

[34] https://www.kth.se/forskning/forskningsplattformar/lst

[35] https://sv.wikipedia.org/wiki/Korrelation

[36] https://sv.wikipedia.org/wiki/Kausalitet

[37] https://www.aisustainability.org

[38] http://www.his.se/Forskning/Systembiologi/Translationell-Bioinformatik/DMDPipe/

[39] https://www.mediconvillage.se

[40] https://www.smileincubator.life

[41] http://healthtechnordic.com

[42] https://www.aiten.se

[43] https://www.aweria.com

[44] https://boneprox.com

[45] https://halsoteknikcentrum.hh.se/aiway/

[46] https://www.vinnova.se/globalassets/mikrosajter/ai/rapport-om-ai-miljoer-i-sverige.pdf

[47] https://ai-competence.se

[48] https://www.sais.se

[49] https://news.cision.com/se/marianne-och-marcus-wallenbergs-stiftelse/r/wallenbergstiftelserna-satsar-pa-humanistisk–och-samhallsvetenskaplig-forskning-inom-ai-och-autonom,c2831620

[50] https://www.umu.se/nyheter/hundra-miljoner-over-tio-ar-i-ai-satsning_8013383/

[51] AI Superpowers, ISBN: 9781328546395

[52] https://www.technologyreview.com/s/613630/training-a-single-ai-model-can-emit-as-much-carbon-as-five-cars-in-their-lifetimes/

[53] https://sv.wikipedia.org/wiki/Familj%C3%A4r_amyloidos_med_polyneuropati

[54] https://tillvaxtverket.se/amnesomraden/regional-kapacitet/smart-specialisering.html

[55] https://smarttextiles.se

[56] https://tillvaxtverket.se/amnesomraden/regional-kapacitet/smart-specialisering.html

[57] https://www.karolinska.se/om-oss/forskning-och-utbildning/forskning/corefaciliteter/kcc/

[58] https://en.wikipedia.org/wiki/Reinforcement_learning

[59] https://www.mevia.se

[60] https://sv.wikipedia.org/wiki/Proteinveckning

[61] https://en.wikipedia.org/wiki/In_silico

[62] https://foldingathome.org

[63] https://en.wikipedia.org/wiki/Activity_recognition

[64] https://machinelearningmastery.com/deep-learning-models-for-human-activity-recognition/

[65] https://allagehub.se

[66] https://www.gp.se/nyheter/mobilapp-ska-hj%C3%A4lpa-bipol%C3%A4ra-1.16204396

[67] http://svenssonhanna.se

[68] https://twitter.com/svenssonhannase/status/1145299251028779009

[69] https://en.wikipedia.org/wiki/Quantified_self

[70] https://computersweden.idg.se/2.2683/1.718332/digiplex-datacenterbolag

[71] https://en.wikipedia.org/wiki/CLOUD_Act

[72] http://www.esamverka.se/nyheter/nyheter/2018-11-12-esam-ser-risker-med-molntjanster-i-offentlig-sektor.html

[73] https://www.nytimes.com/2019/07/23/us/politics/william-barr-encryption-security.html

[74] https://sv.wikipedia.org/wiki/Alan_Turing

[75] https://www-new.statnews.com/2019/06/19/what-if-ai-in-health-care-is-next-asbestos/

[76] https://xkcd.com/2169/

[77] https://www.youtube.com/watch?v=SYo_PvCqgnw

[78] https://sv.wikipedia.org/wiki/Mary_Shelley

[79] https://www.svd.se/medierna-blir-till-offentlig-skampale

[80] https://computersweden.idg.se/2.2683/1.714787/inspelade-samtal-1177-vardguiden-oskyddade-internet

[81] https://en.wikipedia.org/wiki/Dark_web

[82] https://en.wikipedia.org/wiki/ICloud_leaks_of_celebrity_photos

[83] https://towardsdatascience.com/the-new-dawn-of-ai-federated-learning-8ccd9ed7fc3a

[84] https://www.dagenssamhalle.se/debatt/en-modern-vard-kraver-en-modernare-lagstiftning-28416

[85] http://www.forskasverige.se/wp-content/uploads/Opinion2018.pdf

[86] https://www.lerumstidning.se/2019/07/halsodata-avgorande-for-battre-vard-och-farre-vardskador-i-vastra-gotaland/

[87] https://www.registerforskning.se

[88] http://www.sou.gov.se/wp-content/uploads/2017/05/F%C3%B6rbjuden-framtid-Den-digitala-kommunen-slutrapport-2018-12-07.pdf

[89] https://www.dagenssamhalle.se/debatt/en-modern-vard-kraver-en-modernare-lagstiftning-28416

Lämna ett svar

E-postadressen publiceras inte. Obligatoriska fält är märkta *