Nätläkare är bara början

Dr. Watson

Under 2016 insjuknade en japansk kvinna i cancer. Så mycket kunde hennes läkare slå fast, men inte exakt vilken form av cancer. Därmed kunde de inte sätta in rätt behandling och kvinnan blev allt sämre. Fler läkare kopplades in, nya tester gjordes, nya behandlingar prövades. Inget fungerade. Hon höll på att dö.

När läkarna hade slut på idéer, kom någon på att fråga Watson. Denne Watson var en dator, en artificiell intelligens som blivit berömd några år tidigare när den vann Jeopardy över två mänskliga stormästare. För att vinna tävlingen hade IBM programmerat Watson att förstå text och dess innebörd. Frågor i Jeopardy bygger på att man förstår frågan, men man måste också klara av att sätta den i ett sammanhang och ofta kunna läsa mellan raderna för att förstå en indirekt innebörd.

Det här är ett exempel på en fråga i Jeopardy: ”Sit-N-Snooze och Slack-Back var föreslagna namn på vad som blev det här fåtöljmärket.”

Svaret är La-Z-Boy. En allmänbildad människa som vet att det finns en fåtölj som heter La-Z-Boy kan dra slutsatsen att den lika gärna kunde ha hetat Sit-N-Snooze, utan att faktiskt veta att de övervägde det som namn. Att lära en maskin att förstå sådana indirekta innebörder är inte lätt. Maskiner är briljanta på att snabbt ta fram fakta ur en databas, mycket snabbare än en människa, men att läsa mellan raderna är något helt annat. Det var dock det som IBM:s Watson-grupp lyckades med. Watson vann över de två skickligaste mänskliga Jeopardy-spelarna någonsin.

Läkare har en i det närmaste omöjlig uppgift. Egentligen kräver vi att de fungerar som en databas.

Sedan Jeopardyvinsten 2011 hade Watson fått lära sig enorma mängder medicinsk kunskap och tog dessutom hela tiden in ny forskning på området. De japanska läkarna matade in testresultaten i Watson som spenderade tio minuter med att gå igenom 20 miljoner vetenskapliga artiklar inom cancerforskningen.

Watsons diagnos var att kvinnan led av en ovanlig form av leukemi. Det var något som hennes läkare också hade konstaterat och försökt behandla. Men hon led samtidigt av en annan sorts cancer. Hon hade inte bara en cancer i sin kropp, utan två, ett resultat som hennes läkare inte ens övervägt. Ett typiskt mänskligt tankefel (om man inte heter Gregory House).

Kvinnan fick behandling mot båda sina cancerformer, och är i dag i livet tack vare en artificiell intelligens.

En uppenbar användning av AI i sjukvården är just som diagnosstöd till läkare. Läkare har en i det närmaste omöjlig uppgift. Egentligen kräver vi att de fungerar som en databas. I sitt huvud ska de ha all relevant medicinsk kunskap och i ett möte med en patient göra en så pass träffsäker diagnos att behandling direkt kan sättas in, eller att rätt sorts tester tas. Helst ska de inte ha några dåliga dagar. En AI kan hjälpa till med att rätt frågor ställs och tester tas och sedan utvärdera dessa som underlag till en diagnos.

Ett annat nyttigt användningsområde är bildanalys. Datorer har på bara några år i allmänhet blivit avsevärt mycket bättre på att känna igen vad som finns på en bild. Det finns flera exempel där olika sorters AI analyserar röntgenbilder eller bilder på födelsemärken med högre träffsäkerhet än mänskliga läkare. Vi vet också att människor är dåliga på den typen av analyser, vilket visats i forskning av Amos Tversky och Daniel Kahneman. I ett test av hur läkare bedömde röntgenbilder av möjliga fall av cancer smög Tversky och Kahneman in samma bilder flera gånger, med resultatet att läkarna i vissa fall menade att den visade cancer och lite senare på samma bild menade att den inte visade cancer. En dator kan göra misstag, men inte med exakt samma underlag. Det gör att vi kan lättare kan upptäcka misstagen och eliminera dem, vilket är mycket svårare med en mänsklig läkares misstag.

Den verkliga revolutionen kommer när inte bara sjukvården får tillgång till dessa superkrafter, utan när vi alla har en AI-läkare i våra smartphones.

Inte nog med att AI:erna i sig både kan hjälpa människor fatta bättre beslut och på egen hand fatta bättre beslut; vi kan också utveckla våra medicinska kunskaper och sätt att tänka med hjälp av AI. Det har varit populärt att visa upp en AI genom att låta den spela ett spel och vinna över en mänsklig stormästare. Innan IBM lät Watson spela Jeopardy fick en annan dator, Deep Blue, utmana Garry Kasparov på schack. Googles Deep Mind började med ett annat brädspel, Go, och har nu tagit sig an Starcraft. Vid samtliga tillfällen har de mänskliga spelarna blivit överraskade över konstiga drag från datorn. Kommentatorerna i den mycket uppmärksammade matchen mellan AI:n AlphaGo och världsmästaren Lee Sedol skrattade flera gånger över datorns märkliga drag.

Skrattar bäst som sist. AlphaGo vann och mänskliga spelare började såklart analysera hur den spelar. I Go vinner man genom att få kontroll över en majoritet av spelplanen, vilket innebar att människor ofta försöker vinna med så stor marginal som möjligt, och väljer sina drag utifrån det. AlphaGo brydde sig inte om att vinna stort, och satte inte likhetstecken mellan överlägsen seger och seger utan var lika nöjd med 51 procent av spelplanen, vilket gjorde att den valde annorlunda strategier än människorna. En spelstil som människor sedan börjat efterlikna. I Starcraft vann en tidig variant av AlphaStar med 10–0 över två professionella Starcraft-spelare. I samtliga matcher byggde den fler arbetare som samlar resurser än vad som anses vara det optimala antalet i Starcraft-communityt. I de första matcherna ifrågasatte kommentatorerna beteendet, men i slutet började de i stället fundera på om människorna hade fel.

AI inom sjukvård kan utan förutfattade meningar ifrågasätta läkares uppfattningar och utmana deras tankar både kring diagnoser och behandlingar och därmed kunna utveckla kunskaper, diagnoser och behandlingar.

AI-läkare till oss alla

Mer och bättre AI inom sjukvården skulle rädda ett stort antal liv. Den verkliga revolutionen kommer dock när inte bara sjukvården får tillgång till dessa superkrafter, utan när vi alla har en AI-läkare i våra smartphones. Tillgång till läkare har alltid varit en bristvara och nu när nätläkarna med mänskliga läkare på videolänk gör tillgängligheten bättre får vi direkt en debatt om ökande kostnader. En AI-läkare i mobilen kostar däremot inte mer hur mycket du än använder den. Du kan ta en bild per dag på dina födelsemärken och få en bildanalys av dessa, något som såklart vore omöjligt att få från en vårdcentral.

Via olika ”wearables” – klockor, armband, ringar, mobiler – kan AI:n hålla koll på din hälsa i realtid. Den kan upptäcka något onormalt och varna dig, eller bara i allmänhet ge dig bättre koll på hur din kropp mår. Med data från blodtester, DNA-tester och andra tester som blir allt billigare och tillgängligare, kan AI:n koppla dina realtidsdata till dina genetiska data, exempelvis en ökad genetisk risk för hjärt- och kärlsjukdomar eller ett större behov av en viss vitamin och påminna dig om det. Apples senaste klocka har ett EKG inbyggt.

Nu när nätläkarna med mänskliga läkare på videolänk gör tillgängligheten bättre får vi direkt en debatt om ökande kostnader.

Det är egentligen förbluffande hur lite vi vet om hur vår kropp mår. Det är oftast när vi är sjuka som vi kollar hur vi mår. Om vi inte känner oss dåliga vet vi väldigt lite om vad som pågår i våra kroppar. Vi vet några saker som generellt är bra för våra kroppar, som motion, vad vi äter och hur vi sover, men vi vet oftast inget alls om vad som är bra specifikt för vår kropp. När vi mår dåligt och kommer till läkaren finns det därför ingenting att gå på förutom symptom och vår egen beskrivning av hur vi mår. Tack vare mobiltelefoner och smarta armband börjar en del få lite data om sig själva, och några har gjort DNA-tester och blodtester, men det kommer att kunna vara så mycket mer.

För att verkligen förstå potentialen i AI-läkare behöver vi bekämpa vår mänskliga instinkt att tänka på utveckling som linjär. Att något blir kanske tio procent bättre per år. Det mesta i vår liv är linjärt, men inte tekniken, särskilt inte om den är digital. Då är den exponentiell. Utvecklingskurvan böjs, den ”warpar”, som vi i Warp Institute kallar det.

Vägen mot framtiden är böjd

1965 satte sig Gordon Moore ner för att skriva en artikel till tidningen Electronics. Moore jobbade med integrerade datorkretsar, chip, och noterade att antalet transistorer på en krets hade fördubblats vartannat år, men kostnaden var ändå densamma. Han drog ut en linje framåt där dubbleringen fortsatte och vips var Moores lag född. Vi kan förenklat säga att kretsarna, och därmed datorerna, blev dubbelt så kraftfulla vartannat år. I början ser en sådan utveckling inte mycket ut för världen, men efter ett tag blir den sortens exponentiell tillväxt mycket kraftfull. Moores lag gäller än i dag. 1971 fick det rum 2308 transistorer per krets, 2017 var antalet 19,2 miljarder.

Många är historierna om hur människor blivit lurade av exponentiell tillväxt. Mest känd är kanske sagan om schackets uppfinnare som lurade en kejsare. Som belöning för sitt spel ville han ha ett riskorn för första rutan, två för andra, fyra för tredje och så vidare 64 gånger. Kejsaren fick snart slut på ris. 64 fördubblingar blir så mycket ris att det motsvarar tio gånger dagens totala risproduktion. Fördubblingarna i Moores lag har precis bara kommit in på andra halvan av schackbrädet.

För första gången kommer tillgång till medicinsk expertis inte vara en bristvara, utan finnas i överflöd.

Moores lag är inte det enda som driver AI-utvecklingen, men den är en bärande kraft. Läxan är att när vi tittar på vad dagens teknik klarar av, ska vi inte tänka att den är några procent bättre nästa år. Den kommer vara femtio procent bättre. Om två år hundra procent bättre. Om tio år kommer AI-läkare inte vara dubbelt så bra som i dag, utan trettio gånger bättre. Eller förmodligen mer än så, eftersom beräkningskraften som tillförs AI-utveckling fördubblas var fjärde månad.

Vi kommer alltså kunna ha obegränsad, gratis eller nära gratis tillgång till världens mest avancerade läkarexpertis. För första gången kommer tillgång till medicinsk expertis inte vara en bristvara, utan finnas i överflöd. Det skulle innebära en hälsorevolution i Sverige, men effekten i fattiga länder med mycket sämre tillgång till läkare är ännu större. Överallt där det finns smartphones, kommer det att finnas möjlighet till medicinsk rådgivning i världsklass. Bara i Indien är antalet smartphoneanvändare över 300 miljoner.

AI-läkare har vi redan börjat se i enklare former. Engelska Babylon Health har en app som du berättar dina symptom för. Den ställer en del följdfrågor och gör en första diagnos, och slussar dig sedan vidare till en mänsklig läkare om behov finns. AI:n har uppnått en exakthet på 92 procent, medan sjuksköterskor i samma situation nådde 77 procent och läkare 82 procent.

Nätläkare är bara början

När vi diskuterar Kry, Min Doktor, Doktor.se och alla de nya nätläkarna ska vi tänka på att detta bara är början. I många fall kommer vi inte behöva prata med en människa i första ledet, och rätt ofta kommer det räcka med vad AI:n föreslår. I andra fall kommer vi slussas vidare till den fysiska sjukvården. Vi anländer där med betydligt mer data i bagaget och bättre teorier kring vad vi har för sjukdom och hur det ska testas. Dagens sluss in i sjukvården där vi får en tid på en vårdcentral (fortfarande orimligt ofta genom att ha pratat med en människa), träffar en sjuksköterska eller läkare och sedan gör tester kan effektiviseras samtidigt som kvalitén höjs.

När vi diskuterar ökade kostnader för nätläkare får vi inte ta det snävaste perspektivet och bara titta på just hur mycket den budgetposten växer. Både på kort och lång sikt kan det innebära bättre och kostnadseffektivare vård, där läkare får mer tid att lägga på de patienter som mest behöver deras hjälp.

En del läkare kämpar emot denna förändring. De existerar i en värld där det är sjukvården som sitter på expertisen och avgör vem som ska behandlas och hur. Så har det varit, men det började ändras redan med Google, där många patienter såklart skapade en egen teori. ”Wearables”, billiga och lättillgängliga tester och inte minst avancerade AI-läkare i mobilen ger patienterna en mycket bättre koll på sin egen hälsa och eventuella problem än tidigare. Det kan inte vara ett problem. Självklart kommer det att finnas barnsjukdomar i systemet, där allt inte funkar perfekt från början. Då ska de fixas, inte göras till ett argument för att stoppa den nya hälsorevolutionen.

AI:n har uppnått en exakthet på 92 procent, medan sjuksköterskor i samma situation nådde 77 procent och läkare 82 procent.

Sjukvård kan äntligen på riktigt börja handla om att inte bara reagera när något redan är fel utan upptäcka fel innan de blivit allvarliga, och ge människor en makt över sin egen hälsa som de aldrig haft tidigare. Sjukvård kan i delar bli något som finns i överflöd.

Vi är vana att varje höst läsa om de fantastiska genombrott inom medicin som belönats med ett Nobelpris. AI-utvecklingen kommer säkert inte få något Nobelpris, den är för bred och ospecifik, men om vi lyckas genomföra det som finns mitt framför oss skulle det vara en hälsorevolution som förtjänar flera Nobelpris. För det är vi som måste göra det. Alla har en roll i att låta ny teknik växa fram och ta plats. Sjukvården, politiker, opinionsbildare och medborgare. Om vi lyfter blicken bortom dagsaktuella nätläkardebatter och ser den potentiella hälsorevolutionen, så kan vi snabbare lösa problem och utmaningar på vägen. Vägen till framtiden är inte linjär, den är böjd.