Sundhedsudvalget 2023-24
SUU Alm.del Bilag 206
Offentligt
2830673_0001.png
Hvilke politiske tiltag vil understøtte skalering af AI til sundhed?
af Human Bytes
Baggrund
Danmark har et stort potentiale for at tage kunstig intelligens (AI) i brug i sundhedssektoren
grundet organiseringen i store offentlige regioner samt høj grad af digitalisering. Den
centraliserede IT-infrastruktur kan allerede i dag understøtte en hurtig og effektiv
implementering af nye AI løsninger i sundhedssystemet langt hurtigere end i andre europæiske
lande. Samtidig står det danske sundhedsvæsen overfor så betydelige udfordringer allerede
nu, og særligt de kommende år, at implementering og skalering af arbejdskraftoptimerende
teknologi ganske enkelt skal prioriteres nu. Det dobbeltdemografiske pres på
sundhedsvæsenet betyder langt flere ældre borgere, langt flere kronikere og langt flere
multisyge patienter
sammenholdt med færre og færre læger, sygeplejersker og andre
sundhedsprofessionelle til at varetage sundhedsvæsenets kerneopgave; diagnostik, behandling
og pleje.
Selvom Danmark burde have en særlig teknologisk fordel som digitaliseret samfund når det
gælder implementering og skalering af ny teknologi som eksempelvis AI, så halter vi nu langt
bagefter landene omkring os. Hvor det danske sundhedsvæsen i overvejende grad fortsat er
på niveauet pilotprojekter, forsknings- og innovationsprojekter inden for AI, så har lande som
Finland, Norge, Belgien, Sverige, Frankrig, Holland m.fl. overhalet vores niveau og
gennemfører nu store EU-udbud for at indkøbe AI-løsninger som kan afhjælpe belastningen i
sundhedsvæsenet allerede nu.
En af årsagerne til manglende skalering, trods det evidente behov for arbejdskraftoptimerende
teknologi, er en udpræget dansk holdning til at forske videre i problemer som allerede er løst
af markedet. Kort sagt; Danmark fejlinvesterer hvert år store summer i at finansiere
forskningsprojekter som blot forsøger at bevise at jorden er rund
dermed får projektet
nærmere karakter af karrierefremmende aktiveringsindsats end faktisk at skabe værdi for
sundhedsvæsenet, patienter og samfund. Forskning og innovation er som udgangspunkt
positivt, hvis det ellers sker på ambitiøst niveau, men det ses desværre ofte at
forskningsprojekter bliver en forsinkende stopklods for faktisk implementering og skalering af
teknologi som virker og skaber værdi i andre lande. Der ses desuden en skævvridning og store
uhensigtsmæssige forskelle når det gælder finansiering til henholdsvis forskning og drift. Hvor
regioner og hospitaler har relativt let ved at skaffe intern eller ekstern finansiering til
uambitiøse forskningsprojekter inden for AI, så er det nærmest en uoverstigelig barriere at
skaffe driftsbudget til løsninger med dokumenteret effekt og værdi.
Anbefalinger
Human Bytes har siden 2020 arbejdet for skalering af AI til sundhed gennem salg og
implementering af AI-løsninger til hospitaler i Norden. Konceptet er enkelt; vi finder de bedste
AI-løsninger i verden som allerede har CE-mærke, solid klinisk evidens bag sig, og som kører
værdiskabende klinisk drift i adskillige andre europæiske sundhedssystemer.
Sammenlignet med andre lande oplever vi særligt tre forhold hvor Danmark skiller sig negativt
ud når det gælder skalering af AI-løsninger med dokumenteret effekt og værdi for både
hospital, patient og samfund. Tre forhold som direkte modarbejder at den danske
sundhedssektor høster fordelene ved AI allerede nu og i den nærmeste fremtid.
SUU, Alm.del - 2023-24 - Bilag 206: Materiale fra Human Bytes foretræde 27/2-24 om brug af kunstig intelligens (AI) i det danske sundhedsvæsen
2830673_0002.png
1. Not invented here
Hver region / kommune tager individuelt stilling til, hvor og hvordan, de skal købe teknologi til
sundhedssektoren i deres område. Der mangler ikke data eller evidens, der mangler tillid til
data / evidens og ledelsesmæssig vilje til at implementere. Løsningerne giver tilsvarende
effekt, uanset i hvilket hospital eller kommune det ibrugtages. Der er ganske enkelt ingen
forskel på effekten i virkelighedens drift, selvom at man i et akademisk/teoretisk miljø kan
skabe et narrativ om at AI løsninger skal tilpasses lokale forhold. Der er således ikke brug for
nationale retningslinjer eller institutioner som skal vurdere effekten af en given løsning. Ej
heller HTA-processer i Behandlingsrådet fordi disse evalueringer altid vil være på bagkant
ganske enkelt fordi teknologien udvikler sig 3-4 gange hurtigere end Behandlingsrådet kan nå
at gennemføre en 8-10 måneders evalueringsproces. Modsat f.eks. Medicinrådet, hvor en pille
har en kendt og stabil effekt og ofte i monopol lignede forhold, så er AI som medicinsk udstyr
under konstant (men kontrolleret) udvikling og intens priskonkurrence.
Politisk anbefaling:
hvis en region eller kommune har implementeret AI-løsninger med
dokumenteret værdiskabende effekt, så forpligtes (incentiveres) de øvrige regioner og
kommuner til at opstarte indkøb af tilsvarende løsninger inden for 6 måneder.
2. Konsolideringstankegang
Nogle kommuner / regioner vælger at købe alle sundhedsteknologiske løsninger hos få store
systemudbydere/leverandører
også selvom teknologien ikke nødvendigvis er hverken bedst
eller billigst. Det er ganske enkelt mere nemt & bekvemt for IT-afdelingerne, at handle med de
samme leverandører hvilket hæmmer den sunde konkurrence i markedet og ikke sikrer
samfundet de løsninger som er bedst og billigst. Samtidig er denne holdning direkte
ødelæggende for danske start-ups, og faktisk desværre i direkte modsætning til Danmarks life
science strategi 2021-2023 som ellers netop fokuserer at hjemmemarkedet som
udstillingsvindue. I 2024 forhandles både næste life science strategi og en kommende
iværksætterstrategi, men uden reel efterlevelse heraf i regioner og kommuner, så vil politiske
ambitioner om flere start-ups, mere iværksætteri, og et stærkere vækstlag i dansk life science
blot forbliver ord på papir. Vi har brug for et dansk nærmarked, der er villige til at aftage de
bedste og billigste løsninger, også fra danske virksomheder.
Politisk anbefaling:
regioner og kommuner skal kunne dokumentere at man har på forhånd
har afdækket markedet gennem ordentlig screening af kommercielt tilgængelige løsninger, og
de forpligtes til at udbyde og indkøbe AI-løsninger
bedst og billigst på måder hvor SMV’er og
start-ups har reel mulighed for at byde ind på kontrakten.
3. Finansiering til indledende drift
Regioner og kommuner har ofte vanskeligt ved at finde finansiering til klinisk drift i stor skala
her og nu, men mulighederne er langt bedre over tid hvis regioner og kommuner kan
forberede sig herpå.
Politisk anbefaling:
der bør etableres en årlig pulje på 100 mio. kr. hvor regioner og
kommuner kan ansøge om midler til at idriftsætte værdiskabende AI løsninger de første 24
måneder hvorefter udgiften skal tilvejebringes i eget driftsbudget.
Human Bytes, februar 2024
SUU, Alm.del - 2023-24 - Bilag 206: Materiale fra Human Bytes foretræde 27/2-24 om brug af kunstig intelligens (AI) i det danske sundhedsvæsen
2830673_0003.png
Eksempler på AI løsninger
af Human Bytes
Autonom AI til undersøgelser for diabetisk retinopati
EyeArt
er
godkendt
til
autonomt
at
varetage
gradering
af
screeningsundersøgelser for diabetisk retinopati samt detektion af makulært
ødem, AMD og glaukom. EyeArt kan derved erstatte den normale gradering
der foretages i screeningsprogrammerne. Dette frigør tid for praktiserende
speciallæger og ambulatorier til varetagelse af de behandlingskrævende
patienter, ved at lade AI alene varetage de normale. Samtidig understøtter
løsningen at ikke specialister kan udføre optagelsen decentralt, fx i en
optikerkæde eller sundhedshus via indbygget kvalitetssikring.
Kontinuerlig overvågning af vitale værdier
WARD er AI fortolkning af komplekse mønstre i kontinuerlig måling af vitale
parametre, for at give færre men klinisk meningsfulde alarmer til personalet.
Alarmerne søger at bibringe klinisk relevant information der skal handles på
for sygeplejerske og læge. WARD understøtter tidsbesparelse for
sygeplejersken ved reduktion af falske alarmer og en automatiseret
EWS/TOKS-scoring. Samtidig understøtter WARD en reduktion i kliniske
komplikationer for patienterne ved at identificere komplikationer og
relevante afvigelser i vitale værdier bedre og tidligere end vanlig EWS/TOKS-
scoring
Computer Vision til sengestuer
Mangel på sygeplejersker og stigende antal enestuer øger behovet for
intelligente løsninger der kvalitetssikrer og frigør reel tid for personalet.
Computer vision (kamera + AI) kan detektere fald, uønsket position eller hvis
en patient har været væk for længe, fx på badeværelset. Alle alarmer kan
styres individuelt efter den enkelte patient, og man notificeres via sit normale
kaldesystem. Ingen video bliver delt, vist eller gemt, men slettes straks ved
processering lokalt.
Triage af billeddiagnostiske undersøgelser
Automatisk AI analyse af akutte røntgen, CT, og ultralydsbilleder for
støtte til hurtig udredning af patienter i skadestuen. AI analyserer for
detektion af fraktur, akutte thorax fund, samt stroke og DVT.
Understøtter skadestuer og akutmodtagelser 24/7 med kvalitetssikring
og mulighed for hurtigere svar og udredning, herunder hjemsendelse af
patienter fx for mistanke om fraktur som f.eks. i Region Nordjylland.
SUU, Alm.del - 2023-24 - Bilag 206: Materiale fra Human Bytes foretræde 27/2-24 om brug af kunstig intelligens (AI) i det danske sundhedsvæsen
2830673_0004.png
AI som første gransker i mammografi screening
AI er i klinisk drift i Region Hovedstaden og Region Nordjylland hvor AI
erstatter første gransker for 75% af alle undersøgelser og derved
reducerer antallet af granskninger med 37% (ca. 60.000
undersøgelser). Samtidig har samme løsning i prospektivt RCT studie i
Skåne påvist en øget detektionsrate på 20%, uden at øge falsk positive,
og i et norsk studie har samme løsning vist at AI er bedre end to
uafhængige radiologer til at detektere cancer ved høj bryst densitet.
Prostata MR
MR af prostata er blevet standard ved undersøgelse for prostatacancer. Dette
har medført et stigende antal undersøgelser, uden der er kommet flere
radiologer til at varetage granskning og indtegning. Samtidig er workflow for
prostata ofte sammensat af mange komplekse brugerflader. AI kan
standardisere hele prostata workflow iht. gældende PI-RADs og automatisk
levere cancer detektion, optegne prostata og cancer, analyse og rapportering
i et sammenhængende workflow
fuldt compliant med gældende guidelines
Digital patologi
AI & Biomarkører
Fokus ved investering i digital patologi er ofte på storage af data,
mens effektivitets gevinsterne ligger ved introduktion af AI
workflows. AI kan automatisk detektere, kvantificere og gradere
cancer. Der findes allerede prostata, bryst, colon og lunge AI
løsninger til klinisk drift. Samtidig kan man via AI detektere
biomarkører (f.eks. Her2 Low eller MSI-H) som ikke er synlige med
det blotte øje i H&E snittet, og derved få en tidlig indikation på
behandlingsrespons eller spare tid i diagnosticeringen.
Digital patologi rummer et enormt potentiale inden for AI, men det
kræver at man tænker dette ind i sin digitalisering så man er
forberedt til nye automatiske workflows og behov for hurtig
samtidig processering af tunge datamængder.
AI til hurtigere planlægning i stråleterapien
Ved planlægning af stråleterapi skal alle organer tegnes op som en del af
planlægningen. Allerede i dag anvendes AI til dette i store dele af Europa, fx i
Finland hvor man har implementeret AI på nationalt plan. AI kan udføre
optegning på få minutter og derved typisk spare over én time per patient, og
understøtte opgaveglidning. Samtidig er AI konsistent hvilket er afgørende i
planlægning af stråleterapi, ligesom AI også åbner op for at kunne reducere
unødvendige MR og CT-scanninger