Säkrare läkemedelsanvändning i mötet mellan datavetenskap och medicin
DECEMBER 2022 | Tillgång till rätt information är livsviktig för att undvika skadliga biverkningar när flera läkemedel kombineras. Tack vare nya metoder inom datavetenskap kan forskare hitta mer avancerade samband mellan läkemedelskombinationer och biverkningar.
Vi använder alltmer läkemedel i Sverige. Med samtidig användning av flera läkemedel ökar också risken för biverkningar. Hos människor som behöver många läkemedel samtidigt kan det vara svårt att förutse hur de reagerar med varandra och påverkar patienten.
För att underlätta läkares beslut finns dataprogram som kalkylerar risken för eventuella biverkningar när flera läkemedel kombineras, så kallade beslutsstöd. Men programmen har brister.
– Problemet med dagens beslutsstöd är att de varnar för ofta och att majoriteten av varningarna inte är tillräckligt relevanta. När man som läkare varnas för ofta av systemet finns det en risk att man inte tar det på allvar och därmed också missar de viktiga varningarna, berättar Tora Hammar, docent i läkemedelsinformatik vid Linnéuniversitetet.
Hittar samband med maskininlärning
Tora Hammar leder ett forskningsprojekt för att hitta tydligare samband mellan läkemedelskombinationer och biverkningar med hjälp av maskininlärning, vilket innebär att datorer tränas till att upptäcka mönster i stora mängder data.
Underlaget består av patient- och läkemedelsdata från journalsystemet i Region Kalmar län, omfattande cirka 250 000 patienter över 10 år. Projektet är möjligt genom samarbete inom DISA, Linnéuniversitetets spetsforskningscenter för att analysera mycket stora datamängder.
Med ett så stort dataunderlag över tid går det att följa upp hur dagens varningssystem förhåller sig till utfallet på befolkningsnivå: Vilka kombinationer är farliga och när varnar programmen i onödan?
– Till exempel varnar dagens beslutsstöd om risk för blödningar hos mer än var fjärde patient, långt fler än de som drabbas. Våra preliminära resultat tyder på att när vi använder maskininlärningsmodeller som tar hänsyn till mer data såsom ålder, kön och tidigare diagnoser så kan vi bättre förutsäga vilka patienter som kommer drabbas, säger Tora Hammar.
Kan ge bättre varningssystem
I mötet mellan medicin och datavetenskap öppnas nya forskningsmöjligheter som kan leda till säkrare läkemedelsanvändning. Nya metoder gör enorma datamängder till en tillgång i stället för ett hinder.
– Avancerad teknik som maskininlärning gör det möjligt att ta in fler faktorer och upptäcka mer avancerade samband som de gamla systemen inte hittade. Det går att hitta mönster på ett helt annat sätt om man manuellt går igenom några hundra patienter som underlag, som man har gjort tidigare, säger Tora Hammar.
– Vår forskning kan bidra till mer relevanta varningar i framtidens beslutsstöd, säger hon.
Ledtrådar i journalanteckningar
Alla misstänkta biverkningar från läkemedel dokumenteras inte i journalsystemens strukturerade information. Mycket är skrivet i löpande text som journalanteckningar av läkare eller annan vårdpersonal, vilket gör informationen svårare att hitta mönster i för datorer. Ett nytt projekt använder en form av artificiell intelligens som kan tolka naturligt språk, så kallade "stora språkmodeller", för att hitta biverkningar i vårdpersonalens anteckningar.
– Stora språkmodeller har många användningsområden och stor potential, vilket öppnar nya möjligheter för oss att fånga upp mönster i journalanteckningar. Men de kan inte automatiskt lösa svåra uppgifter där det finns höga krav på att det blir korrekt. Då behöver man träna dem för just den uppgiften och säkerställa hur väl det fungerar, säger Tora Hammar, docent i hälsoinformatik.
De här teknikerna kan bidra till bättre monitorering av biverkningar och oönskade läkemedelshändelser, samt mer relevanta varningar i framtidens beslutsstöd.
– Samtidigt handlar det om att analysera information som är väldigt känslig i sin rena form och som kräver stor noggrannhet av oss som forskare för att behålla patienternas integritet.
Läs mer om projektet: ”Användning av naturliga språkmodeller för att extrahera läkemedelsrelaterade problem”