Sammen med Diakonhjemmet har Deepinsight utviklet en maskinlæringsmodell som tilpasser medisinske doser til pasientens unike gendata.
– Det er ikke «one size fits all» som gjelder for medisinske doseringer, sier Tore Haslemo, leder for senter for psykofarmakologi på Diakonhjemmet sykehus i Oslo.
Avdelingen forsker på effekten ulike genvarianter og andre pasientfaktorer har for legemiddeldosering og effekt. Nylig mottok de innovasjonsmidler til å utvikle et verktøy som tester hypotesene fra forskningen, og som kan predikere medisinske doseringer individuelt for pasienter i psykiatrien.
– Vi har omfattende kunnskap om gener og legemiddelkombinasjoner, men vi manglet kompetansen til å utvikle modeller og teste maskinlæringstilnærminger. Derfor inngikk vi et samarbeid med Deepinsight, forteller Haslemo.
Vil bort fra standarddoser
I dagens helsevesen behandles mange pasienter med standarddoser. Veien fra å få et legemiddel på resept til å tilpasse riktig dose kan ta mange måneder med prøving og feiling. Spørsmålet er ikke om standarddoser er riktig eller ikke, men heller hvordan helsevesenet kan tilpasse dosene individuelt fra første konsultasjon.
Før utviklingen av prototypemodellen startet, brukte Deepinsight mye tid på research og intervjuer med fastleger, klinikkarbeidere og forskere.
– Det var viktig for oss å finne ut hvordan et slikt verktøy vil passe inn i hverdagen til legene, forklarer Severin Sjømark, Chief Data Scientist i Deepinsight og prosjektleder for samarbeidet med Diakonhjemmet.
Selv om mange forskere er enige om at standarddoser ikke er ideelle, og at gener bestemmer hvordan kroppen tar imot legemidler, er det få leger som faktisk tar gentester av pasienter. Kunnskap om varianter av leverenzymer kan blant annet fortelle mye om hvordan leveren bryter ned medikamenter. Funksjonen av enzymene er sterkt knyttet til genene våre.
– God datakvalitet er viktig. Gentester bør derfor bli standard praksis slik at helsevesenet kan få mest mulig ut av et beslutningsstøtteverktøy basert på data, mener Sjømark.
Suksess med prototypemodell
For å finne en effektiv løsning basert på data og maskinlæring startet Deepinsight med å gjenskape eksisterende forskning. Ulike datakombinasjoner ble testet, før en MVP (minimum viable product) ble utviklet.
Modellen er basert på data fra pasienter som har brukt SSRI-antidepressiva medikamentet Cipralex og beviser at medisinsk dosering som tar hensyn til genforskjeller gir mer treffsikker dosering. Prototypen eksisterer for øyeblikket kun på en lokal maskin med strenge sikkerhetskrav.
– Lykkes vi med å gjøre modellen tilgjengelig for verdens leger vil sannsynligheten for at riktig dose og legemiddel blir skrevet ut ved første konsultasjon øke. Det vil resultere i penger spart for helsevesenet, og spare pasientene for unødvendige bivirkninger og føre til økt nytte av behandlinger for pasienten, forklarer Haslemo fra Diakonhjemmet.
– Utfordringen ligger i å lage en tjeneste som klarer å vurdere nettoeffekten av pasientens gener, legemidler og andre relevante faktorer for dosebehovet. Noen faktorer kan nulle ut andre, andre faktorer kan potensere hverandre, sier Haslemo.
Effektiviserer arbeidet i helsevesenet
Deepinsight og Diakonhjemmet er nå klare for fase to av prosjektet. I tiden fremover skal arbeidet med å kartlegge hvilke teknikker som er mest treffsikre, effektive og skalerbare settes i gang. I tillegg er det essensielt å finne en variant som tar alle nødvendige hensyn til personvern og sikkerhet.
Den mest primitive løsningen er at legene selv fyller inn informasjon og variabler om hver enkelt pasient. Dette vil trolig ikke være en realistisk metode fordi leger ikke har nok tid i en travel hverdag.
– Målet i fase to er derfor å tilgjengeliggjøre og automatisere modellen så mye som overhodet mulig, sier Haslemo.
Innsamling av data blir også en stor del av jobben fremover. Store mengder med relevante data ligger i dag fordelt i ulike IT-systemer, ofte som et scannet prøvesvar eller i en papirjournal. Det er flere systemer som må struktureres og flere parter som må samarbeide for å få dette til.
Samarbeid med DIPS for videreutvikling
For å gjøre modellen mer treffsikker skal den nå utvides med andre relevante datakilder som for eksempel organfunksjon og blodprøvesvar som i dag er lagret i elektroniske pasientjournaler.
– I tillegg til å automatisere valg av riktig medisinsk dosering, håper vi å automatisere prosessen med å legge inn nye medikamenter og andre variabler etter hvert, sier Sjømark fra Deepinsight.
Det langsiktige målet er å lage et samlet og automatisert system som kan veilede all legemiddelforskrivning før oppstart av medisinering.
– Presisjonsmedisinering er fortsatt et lite utbredt felt, og dette prosjektet er det første av sitt slag i Norge.
Haslemo fra Diakonhjemmet presiserer at det er viktig å huske at verktøyet er en støtte og ikke en fasit. Våre modeller forklarer ikke all variasjon mellom pasientene, men er et godt steg videre fra dagens praksis.
– Det vil fremdeles være legene som tar beslutning om valg av legemiddel og dosering, men vårt verktøy skal kunne presentere et relevant beslutningsgrunnlag raskt og enkelt, avslutter han.