Armbånd kan gi deg beskjed om du er korona-smittet – selv uten symptomer

US Food and Drug Administration - FDA - har for første gang godkjent et ML-basert system for screening for covid-19.

Systemet, utviklet av Tiger Tech, består av et armbånd som måler forskjellige biomarkører og bruker en maskinlæringsmodell for å vurdere om personen er smittet med korona.

Systemet skal ikke erstatte faktisk diagnostisering, skriver FDA i en uttalelse om godkjenningen, som er en såkalt Emergency Use Authorization. I stedet kan den brukes som en screeningmetode for å finne smittede mennesker, selv om de ikke har symptomer som f.eks feber.

Biomarkører

Tiger Tech-armbåndet er langt fra det eneste forsøket på å bruke maskinlæring (ML) for å oppdage covid-19 raskere, enklere eller bedre enn de utbredte hals- og nesetestene er i stand til.

I forrige måned kunngjorde VocalisHealth at selskapets system for screening for covid-19 via taledata hadde mottatt CE-merket i Europa - som det første systemet av sitt slag.

Felles for de to systemene er at de prøver å forutsi covid-19-infeksjon ved å analysere biomarkører, og dermed gi en tidlig advarsel om at en person kan være smittet og bør testes.

Maskinlæring i armbånd

Armbåndet fra Tiger Tech, som er utstyrt med en sensor og en mindre prosessor, er plassert på en persons arm rett over albuen. Her kan sensoren bruke mellom tre og fem minutter på å måle signaler i blodet, som f.eks. kan indikere hyperkoagulasjon, som er en vanlig tilstand hos pasienter med covid-19.

Biomarkører sammenlignes med ML-modellen med målinger fra tusenvis av mennesker med og uten covid-19. Prediksjonen foregår lokalt på armbåndet, og det er derfor ingen helsedata som forlater enheten.

Til slutt blir prediksjonen fra ML-modellen vist med et lite rødt eller grønt lys.

I en valideringsstudie på et sykehus ble armbåndet brukt på 467 individer uten symptomer - inkludert 69 bekreftede covid-19-infiserte. Her klarte systemet å klassifisere 98,6 prosent av de smittede og 94,5 prosent av de ikke-smittede riktig.

Fra stemme til bilde

VocalisCheck fra Vocalis Health handler veldig enkelt om å ta opp stemmen til en person som teller fra 50 til 70. Opptaket blir forvandlet til et bilde, og det bildet blir sammenlignet av en ML-modell med bilder fra andres stemme.

En stor test av systemet i India, ifølge Vocalis Health, førte til en nøyaktighet på 81,2 prosent med både følsomhet og spesifisitet over 80 prosent.

Korona har først til at arbeidet med å gjøre AI til et supervåpen i kampen mot denne og kommende pandemier foregår i turbo-fart.

AI-systemer ble raskt tatt i bruk for å forutsi covid-19-smitte fra en CT-skanning av lungene, og det er flere prosjekter på gang som prøver å oppdage covid-19 ved å analysere lyden av hosting.

Oxford University Hospital har vedtatt et ML-basert screening-system etter at Oxford-forskere demonstrerte i desember at systemet «Curial AI» kan finne koronainfiserte sykehuspasienter i dataene som er allment tilgjengelige - som blant annet blodprøver og målinger.

I Danmark har forskere fra Københavns universitet brukt sykdomshistorie og helsedata for å forutsi hvor hardt folk blir rammet av covid-19.

Modellen, som bruker pasientdata fra hovedstadsregionen og Region Sjælland, kan med 90 prosent sikkerhet forutsi om en person som ennå ikke er smittet vil dø av covid-19 eller ikke, hvis de blir smittet.

Frykter AI-systemer gis for stor tillit

Men blant de lovende resultatene har vi også advarsler fra leger og eksperter om en utvikling som gir alt for mye tillit til utestede AI-systemer.

I en kritisk lederartikkel fra begynnelsen av året skriver redaksjonen til det medisinske tidsskriftet The Lancet at de raskt utviklende verktøyene risikerer å sabotere i stedet for å redde den trengende helsesektoren.

– Når vi går inn i influensasesongen, står AI-verktøy, som «Curial AI», overfor en stadig mer utfordrende oppgave for å hjelpe klinikere med å skille mellom to luftveisinfeksjoner med lignende symptomer, påpeker forfatterne:

– Hvis AI-verktøy ikke kan påvises å skille en lungebetennelse fra en annen, kan for tidlig bruk av disse teknologiene øke feildiagnostisering og sabotere for klinisk behandling av pasienter.

Pandemien har i flere tilfeller presset helsevesenets ellers forsiktige tilnærming til teknologi til side. På våren brukte flere amerikanske sykehus et AI-system fra leverandøren Epic for å forutsi sykdomsprogresjon for covid-19 pasienter - uten at noen hadde data eller tid til å validere modellen.

– Ingen har samlet nok tall for å kunne gjøre en statistisk gyldig test av AI-systemet, sa Mark Pierce, Parkview Health Chief Medical Informatics Officer, til Stat News på den tiden.

– Men i tider som dette, som vi aldri har opplevd før i USA helsevesen, gjør du virkelig det beste du kan med tallene du har, med fokus på pasientomsorgen.

Minimer smittespredningen

Det er klart at mange akuttgodkjenninger og bruk av ikke-klinisk validert AI kan øke risikoen for feil, som kan ødelegge tilliten til teknologi hos både leger og pasienter. Og dermed skade utviklingen av AI for helsesektoren på sikt.

En tidlig gjennomgang av forskningen publisert rundt AI-systemer for beslutningsstøtte rundt covid-19 viste at mye av forskningsarbeidet var ekstremt mangelfullt.

– Nesten alle publiserte prediksjonsmodeller er dårlig innrapportert, med høy risiko for partiskhet slik at deres prediktive ytelse sannsynligvis er for optimistisk, konkluderte et stort internasjonalt forskerteam i april.

Så sent som i forrige måned konkluderte forskere i tidsskriftet Health and Technology at til tross for mange forsøk på å se covid-19 i røntgenbilder av lunger, har få prosjekter vært i stand til å presentere et system som fungerer bra på annet enn treningsdata.

– På Oxford University Hospital er det imidlertid ingen tvil om at «Curial AI», med en responstid på litt over en time, vil hjelpe med å isolere covid-19-smittede pasienter raskt, sier Andrew Soltan, en maskinlæringsforsker ved Oxford University, til Mobi Health News.

– Dette prosjektet viser at kunstig intelligens kan arbeide med rask diagnostikk for å hjelpe oss med å velge de beste pleiealternativene og minimere risikoen for å spre smitten på sykehus, sier han.

Denne artikkelen ble først publisert på Ingeniøren for deres abonnenter. Den er tilgjengelig på norsk for abonnenter av Ekstra gjennom vår samarbeidsavtale.