Kan AI-modeller stötta primärvården att upptäcka cancer?
Elinor Nemlander, specialist i allmänmedicin och doktorand på KI, är tre år in i forskningen som utgår från temat tidig upptäckt och tidiga fynd av cancer i primärvården. Genom att använda bland annat Machine Learning (ML), en typ av AI-modell, hoppas hon bidra till att hitta cancer tidigare. RCC Stockholm Gotland stöttar forskningsprojektet ekonomiskt.
– De flesta personer med cancer hittas genom symtomatisk upptäckt. Det vill säga när de söker sig till primärvården med symtom och fynd. Vi behöver bli bättre på att fånga upp cancer, säger Elinor Nemlander.
Utmaningen att hitta cancer i tid
Missad eller fördröjd cancerdiagnos är det vanligaste anmälningsärendet i primärvården idag. Symtomen som patienten har i ett tidigt cancerstadie, till exempel trötthet och hosta, är vanliga i den allmänna befolkningen. Det gör det svårt att bedöma vilka patienter som behöver utredas vidare utifrån dessa vanliga symtom, för varken hosta eller trötthet i sig självt har ett starkt signalvärde för cancer. Här kan AI-modeller fånga upp olika kombinationer av symtom och riskfaktorer, från flera olika besök hos sjukvården, som tillsammans får högre signalvärde för cancer.
– I min forskning har jag tittat på tidig upptäckt vid lungcancer och tjock- och ändtarmscancer. Lungcancer för att det är den cancerform som orsakar flest cancerrelaterade dödsfall. Vi upptäcker lungcancer sent och patienterna har ofta ospecifika symtom. Vid upptäckt i tidigt cancerstadie är patientens prognos ganska bra.
– Samma gäller vid tjock- och ändtarmscancer. Den absoluta majoriteten upptäcks i primärvården via symtom. Men symtomen är vanliga och de flesta har inte cancer som uppvisar dem. Vi kan inte utreda alla för allt, det skadar mer än gör nytta. Därför behöver vi hitta bättre verktyg och stöttning för primärvården så att de individerna med förhöjd cancerrisk utreds.
Flagga vid individuell risk för cancer
Genom att applicera AI-baserade kalkyler på stora mängder data kan man söka efter tecken samt komplexa symtombilder – för att på så sätt spåra patienter som har en förhöjd risk för cancer.
– Vi har inget färdigt verktyg än men tanken är att det ska fungera som ett hjälpmedel och inte ett diagnostiskt verktyg. Det ska kunna flagga individer med förhöjd cancerrisk men får inte innebära mer administrativt jobb för läkaren.
– Vi har samlat in data på stora delar av befolkningen i Stockholm och tränat AI-modeller på att känna igen symtomkombinationer och kombinationer av fynd i primärvården som innebär en förhöjd risk att patienten får en cancerdiagnos.
Tålamod och tid för att nå evidens
Elinor har hittills publicerat tre forskningsstudier, en om lungcancer samt två om tjock- och ändtarmscancer, och en editorial kring tidig upptäckt, inom området. Just nu arbetar hon och forskningsteamet med en fjärde studie kring anemi och hur prediktivt det är för cancer i primärvården. Teamet har precis fått ut ett stort datauttag från Socialstyrelsen, efter tre års väntan och mycket administrativt arbete. Nu börjar genomgången och struktureringen av data för att sedan kunna analysera och förhoppningsvis se resultat till våren. Till hjälp har de både Machine Learning och mer klassiska analysmetoder.
– Forskning tar tid, och det är verkligen inget ensamarbete. Jag hoppas att vi kan testa verktyget på vårdcentraler inom några år, och om det har god effekt breddinföra arbetssättet, men innan dess behöver vi evidens.
Läs mer
Transforming early cancer detection in primary care: harnessing the power of machine learning
Validation of a diagnostic prediction tool for colorectal cancer: a case-control replication study
A machine learning tool for identifying non-metastatic colorectal cancer in primary care