AI kan ge säkrare användning av läkemedel

En säkrare läkemedelsanvändning är ett mål för alla men utmaningarna är många. Läkemedelsrelaterade problem är vanliga och det är svårt att monitorera biverkningar och oönskade effekter.

Tora Hammar är docent och lektor i hälsoinformatik med inriktning läkemedel på eHälsoinstitutet vid Linnéuniversitetet Kalmar. Hon anser att det finns stor potential med att använda AI för hjälpa till med att utveckla läkemedel, farmakovigilans där man kan upptäcka biverkningar, beslutsstöd som varnar för olämpliga kombinationer, läkemedelsepidemiologi och optimera doseringar.

— AI är en del av framtiden på alla sätt och vis, vare sig vi vill eller inte. Att se till att vi alltid har rätt information till rätt person, på rätt sätt, i rätt form, vid rätt tidpunkt, det är det som är målet i mycket av min forskning, säger Tora Hammar.

I hennes vision finns en bättre infrastruktur och kommunikation mellan alla som är inblandade i patientens läkemedelsbehandling, att läkare i vården och farmaceuter på apotek ser motsvarande information och att farmaceuten kan se om läkaren uppmärksammat exempelvis en läkemedelsinteraktion som beslutsstödet varnar för.

De senaste åren har fokus varit på ett projekt som Tora Hammar leder som handlar om prediktion av läkemedelsrelaterade problem, och att förbättra de beslutsstöd som finns.

I projektet används 13 års data om bland annat ordinerade och uthämtade läkemedel i Region Kalmar län från 250 000 patienter under åren 2010–2023. Forskarna går även igenom journalsystem och Janusmeds kunskapsbaser.

— Vi tittar på hur relevanta varningar från dagens beslutsstöd är och i vilken utsträckning patienter som får en varning verkligen drabbas av oönskade läkemedelshändelser.

— Till skillnad från många tidigare projekt där jag jobbat väldigt mycket själv, och trivs bra med det, är vi här en stor grupp. Tillsammans med datavetare, farmaceuter och läkemedelsepidemiologer undersöker vi om vi kan göra beslutsstöden mer träffsäkra med AI.

Intressant är att titta på effekter när en patient kombinerar många läkemedel, som är vanligt hos våra äldre.

— Det finns en massa bra forskning om effekter av läkemedel men mycket av det rör ett läkemedel i taget.

I studien tittar de på alla individer i Region Kalmar län som fått minst ett läkemedel på sjukhus eller hämtat ut på apotek. Med hjälp av beslutsstödsalgoritmer ser de risker som finns enligt dagens beslutsstöd, och vilka varningar som kommer upp. Hittar de exempelvis en varning för att en patient har en ökad risk för blödningar baserat på deras läkemedel så kontrollerar de om det verkligen drabbat patienten. De följer dem ett år efter och tittar på det kliniska utfallet.

— Det är spännande att med hjälp av data försöka hitta de kliniska utfallen som är kopplade till läkemedel och se vilka patienter som verkligen drabbas av det som beslutsstöden varnar för. På så vis får vi en uppskattning som för oss är ett mått på hur träffsäkra dagens beslutsstöd är. För det är ett välkänt problem att man får för många varningar, vilket kan ge en varningströtthet.

I Region Kalmar län använder man sedan länge Cambio Cosmic i både primärvården och på sjukhusen, vilket enligt Tora Hammar gör att forskarna har förhållandevis bra kvalitet på datan.

Andra regioner håller på att byta till Cosmic, och där ser Tora Hammar en fara i att man kan tappa en del data som gör att det blir svårt med den här typen av studier över lång tid.

— Utanför de vanliga forskningsprojekten har jag gjort en kartläggning över alla regioner om hur de hanterar sin data. Där kommer det fram utmaningar som kan minska möjligheter att göra studier, vilket jag tycker är väldigt synd. Jag är glad över den data vi har hos oss som har ­relativt bra kvalitet. Dessutom har vi ett väldigt fint och lång­ siktigt samarbete mellan universitetet och Region Kalmar län.

Men det finns osäkerhet. Data visar läkemedel som patienten fått på sjukhus eller hämtat ut på apotek, men inte om patienten har tagit läkemedlet. En annan osäkerhet är att hitta de kliniska utfallen. Forskarna hittar det som dokumenteras i vården. Då krävs det först och främst att patienten söker vård, därefter att läkaren dokumenterar det och i sista steget att det görs med rätt diagnoskod eller på annat sätt som går att hitta.

Många läkemedel har blödningar som en biverkan och i en av studierna försöker Tora Hammar och hennes kollegor hitta blödningar som kan vara en biverkning av läkemedel.

— Det kan vara mag-tarmblödningar, blödningar i centrala nervsystemet, näsblod eller blåmärken som har dokumenterats. I datan finns blödningar men en del av dem har inte med läkemedel att göra. Så där är en utmaning att försöka göra det bästa möjliga av den data som finns kring kliniska utfall. I slutändan är det människor som har tagit beslut och fört in data i systemen, och alla människor är olika. Målet är att göra systemen mer träffsäkra.

— Vi kommer aldrig kunna säga att de här individerna inte kommer att drabbas, och de här kommer absolut att drabbas. Men vi kan komma mycket närmare och göra det mer träffsäkert med AI.

Forskarna tittar på alla som läggs in oplanerat på sjukhus och deras läkemedel, och vad det fanns för varningssignaler hos dem innan de hamnade på sjukhus?

— I den första preliminära studien jämförde vi äldre med oplanerad inläggning med äldre som inte har lagts in oplanerat men som har lika många läkemedel. Där var det jättetydligt! I stort sett alla riskerna stack ut väldigt mycket mer hos de som läggs in oplanerat.

I de hittills beskrivna studierna arbetar forskarna med strukturerad data från patientjournalerna kring läkemedel och diagnoskoder vilket är data som det går relativt enkelt att göra statistik på och stoppa in i maskininlärningsmodeller. Men i patientjournaler kan vårdpersonalen även skriva fritextanteckningar.

— Vi insåg tidigt att det finns mycket värdefullt i fritexterna, där finns en del av de kliniska utfallen vi letar efter i studierna.

Några bra metoder för att hitta biverkningar i fritext finns inte. Tora Hammar och hennes kollegor har därför ett projekt för att ta fram metoder för att identifiera och extrahera läkemedelsbiverkningar i fritext.

— Då är vi tillbaka till människor igen. Vad vi letar efter beror på hur patienten och läkaren har formulerat sig.

Metoder för att låta datorer förstå och analysera mänskligt språk kallas Natural Language Processing (NLP). Inom traditionell NLP har man ofta använt regelbaserade metoder, där man till exempel söker efter specifika ord för att avgöra vad en text handlar om.

Med moderna språkmodeller, så kallade stora språkmodeller (LLM), kan man fånga upp sammanhang och innebörd även när andra formuleringar används.

I texterna hittar forskarna olika entiteter där en entitet kan vara ett läkemedel. De finjusterar språkmodellerna så att de kan lösa uppgiften.

Tillsammans med två andra farmaceuter har Tora Hammar gått igenom ungefär 900 journalanteckningar från en geriatrisk klinik i Kalmar och markerat ut vad som är ett läkemedel, ett symptom eller en biverkan. Därefter markeras relationer mellan de här entiteterna.

De flesta är bekanta med ChatGPT, här använder de en annan modell som heter SweDeClin-BERT genom ett samarbete med forskare på Stockholms universitet.

Kommer även bra symptom fram? Det vill säga när läkemedlet har gjort verkan och huvudvärken har försvunnit?

— Ja, där har du en av utmaningarna. Om vi har en entitet som är läkemedel och en annan är symptom. Nästa steg är då att hitta relationerna mellan entiteterna och då kan en relation vara att patienten hade huvudvärk, fick läkemedel och blev frisk. Det vill vi ju inte hitta som biverkan.

— Men om patienten fick läkemedlet och fick svår huvudvärk dagen efter, det vill vi att modellen ska hitta och se att det är en relation som tyder på en biverkan, det andra är inte det. Det där har vi jobbat mycket med.

Det krävs handpåläggning för att förbereda texterna till modellen?

— Det är ett tidskrävande manuellt arbete. Det är vad vi kallar en annotering. Vi matar in i en språkmodell och säger vad den ska lära sig att göra. Sedan är tanken att den ska kunna göra det på nya texter. Den lär sig uppgiften, sättet att arbeta och så testar vi det på andra texter.

Forskarna matar modellen med exempelvis 80 procent av texterna som den får träna på. Sedan ger man den de andra texterna utan markering, modellen får markera upp dem och så kollar man hur likt det blir jämfört med det människorna hade gjort. Då får man en siffra på hur väl den har lärt sig att göra uppgiften.

— Viktigt att nämna är att vi jobbar bara lokalt med våra egna servrar på universitetet med de här språkmodellerna. Vi skickar inte upp det i molnet. Det är känslig data som vi måste hantera på ett säkert sätt.

Tora Hammar skulle gärna arbeta vidare och utveckla språkmodellerna.

— En stor brist är att vi tittat på fritexten i sig utan att ha kontexten. Vi vill se helheten när vi ska avgöra om det är en biverkan. Har vi en individ som har många läkemedel, och verkar ha en risk för att bli yr, då kan vi leta efter att patienten har trillat exempelvis.

Vad är det långsiktiga målet?

— Hela tiden har jag med mig flera målbilder. Jag vill att de beslutsstöd vi har i dag är mer ändamålsenliga. Från projekten vi jobbar med nu skulle vi kunna få bra algoritmer, med bra träffsäkerhet, i vad systemen hittar.

— Ett annat mål är att lära oss mer om effekterna av ett läkemedel och vad som händer när vi kombinerar många läkemedel.

— När vi hittar ny kunskap om läkemedel, dess kombinationer, vill jag att vi ska vara duktiga på att sprida det.

Ytterligare ett mål är metodutveckling, att sprida kunskap om vilka möjligheter det finns och bättre förstå hur vi kan använda den data som finns.

— Jag hoppas att det kan komma till nytta både för läkare och farmaceuter.