AI i hälso- och sjukvård #3 – Machine learning + integritet? Tankeöverföring och mindre administration med KVÅ-kodning

Intro till nyhetsbrevet

Huvva, som min mormor från Burträsk i Västerbotten skulle sagt. Nyheterna inom AI-teknik kommer in som en tsunami som avlöses av ännu en tsunami. Kanske beror det på den enorma teknikmässan CES i Las Vegas, eller så har det sparats på publiceringar runt långhelgen.

I vanlig ordning plockar vi fram en mix av det hoppfulla och det som inte är fullt så imponerande.

//avd Vårdens digitalisering, genom Marcus Österberg

Vad är AI för dig?

Denna månads svar sammanfattar väl varför vi startade det här nyhetsbrevet.

”Många pratar om det, men få vet vad det innebär, och vad det kan skapa har man inte ens kommit fram till i övriga samhället. Min syn på AI är att det är ett otroligt bra arbetsredskap ifall det ses som ett komplement, men farlig ifall det ses som en ersättning.”

Mattias Lidbeck, sjuksköterska och webbutvecklare på Sahlgrenska Universitetssjukhuset

Deep learning och personlig integritet?

Google ligger bakom TensorFlow som är ett av de populärare verktygen för deep learning. Nu har de släppt en version som är mer kompatibel med en hög integritetsstandard genom att använda “differentiell integritet”.

Omsorg kring integritet inom machine learning gör det förstås enklare för vården att använda tekniken.

GitHub – tensorflow/privacy: Library for training machine learning models with privacy for training data

Datorseende ser vilken genetisk sjukdom en person har (men vet inte om personen är frisk)

Den här under januari omtalade AI-nyheten är ganska typisk för vad som lyfts fram (och är svårt att granska för den icke-uppmärksamme). Det har rapporterats att en AI bättre än läkare kan klassificera vilken genetisk sjukdom en person lider av och det ska räcka med en ansiktsbild. Problemet är dock, enligt The Skeptics Guide, att den inte kan säga om personen på bilden är frisk.

Så frågan är när en sådan AI blir användbar? Kan man i primärvården konstatera att en person med stor sannolikhet har en genetisk sjukdom men man vet inte vilken och att den här AI:n då kommer till användning.

Visst är det ett framsteg, men är det något att bry sig om ännu? Och risken är överhängande att föräldrar kommer testa sina friska barn via denna app och belasta vården i onödan. Så kallade false positives.

Tankeöverföring för den som inte kan tala

Det börjar finnas hopp för de som tappat förmågan att tala att ändå kunna kommunicera. Tre olika forskargrupper har, visserligen med små studiegrupper, visat att det går att lyssna in på neuroner i hjärnan och koda om det till tal.

Ännu är man inte framme vid en lösning, men att kunna tala via en dator är nog ett efterlängtat nästa steg.

Listen: Brain-Reading Computers Recorded Words Inside People’s Heads

Begreppet: Gradient descent

Det finns flera varianter av gradient descent. En av varianterna med prefixet stochastic. Gradient descent är en strategi inom optimering och kan omvandlas till en algoritm som är vanlig inom machine learning.

Tänk dig att du står på toppen av Mount Everest. Hur tar du dig snabbast ner? Jo, en strategi som kan visa sig både snabb och livsfarlig är att välja den riktning där du kommer närmast havsnivån per steg. Du letar alltså efter den brantaste avgrunden först och kastar dig ut.

Som du inser kommer man med denna strategi skyndsamt neråt, men det är inte nödvändigtvis så att en människa skulle överleva. Nu pratar vi dock om optimering och inte om överlevnad 🙂

Som med all annan smart teknik likt AI är det absolut inte självklart att den här tekniken vinner i kapplöpningen ned mot havsnivån om den tävlar mot andra strategier eller algoritmer. Men, den är effektiv att veta hur den snabbt tar sig nedåt. Dock är risken att den fastnar, exempelvis genom att landa i en suboptimal position där den oavsett riktning inte kan ta sig längre neråt. Dess strategi faller platt när den landar i en glaciärspricka då enda vägen är uppåt. Då vet den inte vad den ska göra och behöver ta hjälp av en annan sorts algoritm.

Naturligt språk när KVÅ-koder ska rapporteras till Socialstyrelsen

Kampen om tid mellan fokus på vårdtagaren och vårdadministration är bekant för de flesta. Ett sätt att möta en ny lag som innebär mer administration är att låta en maskin göra jobbet. Företaget Appva tränade upp en maskin på historiska data och kopplade sedan på förståelse för KVÅ-kodverket så som Socialstyrelsen vill ha dem.

Andra liknande områden är att gå från manuell diktering till en “AI-diktering”. Där diktatet görs om till text för att sedan kopplas mot relevanta kodverk, som KVÅ, ICD, och rapporterar till de olika intressenterna. Detta kan mer eller mindre direkt automatisera att man får betalt för den vård man utför men inte alltid lyckas koda på rätt sätt.

AI-robot löser KVÅ-generering och rapportering samt frigör dyrbar tid! – Äldrenytt

Poddar

De senaste veckornas poddavsnitt som avhandlar AI-teknik i vårdperspektiv:

Artikelvimmel

Artiklar av intresse, det som inte skrivits om i längre ordalag ovan.