Algoritmer på registerdata som hjälp för tidig upptäckt av hudcancer

I framtidens sjukvård är det stor sannolikhet att maskininlärnings (ML)-algoritmer kommer att vara av stor betydelse för utveckling av sjukvård som är specifikt anpassat för den enskilda individen, så kallad precisionsmedicin.

Bild

– I en uppmärksammad taiwanesisk studie 2019, kunde en ML – algoritm, endast med hjälp av registerbaserade data, med hög tillförlitlighet förutsäga framtida risk för icke-melanom hudcancer ⁽¹⁾. Liknande svenska studier saknas, och skulle vara värdefulla då Sverige har heltäckande register som dessutom omfattar alla invånare, säger Sam Polesie, specialistläkare hud- och könssjukvård samt forskare vid institutionen för kliniska vetenskaper, Sahlgrenska akademin.

Sam Polesie är en av våra forskare som nyligen tilldelades en ALF-tjänst för legitimerade läkare med medicine doktorsexamen. Hans projekt heter ”Prediction models for skin cancer using registry data and deep neural networks” eller på Svenska ”Maskininlärningsbaserade prediktionsmodeller för hudcancer tränade på registerdata”.

Maskininlärningsmodeller och registerdata kan bli beslutsstöd för screening
Utarbetning av ML-modeller för exempelvis hudcancerrisk kan i framtiden visa sig vara ett viktigt underlag vid kliniska beslut för den enskilde individen. En annan tänkbar tillämpning är selektiv befolkningsscreening, där patienter med hög risk automatiskt kan få kallelse baserat på tillgängliga registerdata.

– Jag har ett stort intresse av registerforskning och tycker att vi forskare har ett ansvar att ta fram nya applikationer för våra landstäckande hälso- och sjukvårdsregister. Dessa register är idag i princip endast tillgängliga för forskningsändamål, men visst vore det önskvärt om de i framtiden i större utsträckning kunde aktiveras och användas i rutinsjukvård för att skapa bättre underlag för våra medicinska beslut.

Hans projekt kommer förhoppningsvis fungera som ett exempel på hur man kan aktivera och på ett smartare sätt använda våra hälso- och sjukvårdsregister.

Algoritmer som skapar mervärde för både vården och patienter
Det övergripande syftet med Sam Polesies studie är att utarbeta riskbedömningsmodeller för hudcancer inklusive melanom, och detta baserat på svenska registerdata. Olika ML-algoritmer, kommer att tränas och utvärderas på registerdata. Data från flera register inklusive befolkningsregistret, läkemedelsregistret, patientregister samt cancerregister kommer användas ⁽²⁾.

– Förhoppningen är givetvis att vi lyckas utveckla algoritmer som kan skapa mervärde för hälso- och sjukvårdspersonal och patienter. Det slutliga målet är ju att utarbeta förlagor till algoritmer som en dag kan implementeras i svensk rutinsjukvård. Vägen dit är naturligtvis lång, men vi måste ju börja någonstans. Förutsägelse för framtida risk för hudcancer är naturligtvis bara en av flera tänkbara tillämpningar.

– ALF-tjänsten innebär självklart ett viktigt erkännande samtidigt som jag får chans att svara på mina egna frågor. Min förhoppning är också att ALF-tjänsten kommer fungera som en plattform där jag kan engagera en eller flera doktorander i aktuellt projekt.

Text: Susanne Lj Westergren