Snabbkurs: Detta behöver du veta om artificiell intelligens

Artificiell intelligens, AI, får allt större påverkan på samhället och arbetslivet. I vården används den för en mängd olika saker: analysera röntgenbilder, föra journal och förutse vårdtid. Men hur funkar det? AI-experten Almira Osmanovic Thunström ger en snabbkurs i den nya tekniken.

Lektion 1: Byggstenarna

AI är inte en enda sak, utan en kombination av metoder. Det gemensamma är att de samlar in och bearbetar data som resulterar i mönster, som i sin tur kan användas som ”regler” för att hitta nya mönster. Datan kan registreras via exempelvis text eller bild eller genom medicintekniska produkter, som en respirator.

Genom att använda AI för att analysera hur tidigare patienter med liknande tillstånd har återhämtat sig på IVA kan vårdpersonal förutsäga hur länge nuvarande patienter behöver vårdas. Via data om patientflöden på akuten en viss dag, en viss tid kan man förutse hur trycket förväntas bli och därmed beräkna bemanningsbehov med mera.

Lektion 2: Typerna

Enligt en vetenskaplig modell som utvecklades av Stuart Russel och Peter Norvig år 1994 finns det fyra typer av artificiell intelligens.

1. System som tänker som människan. Exempel: AI som tolkar röntgenbilder.

2. System som agerar som människan: AI:n tränas i att härma mänskligt beteende. Exempel: Chattbotar för rådgivning.

3. System som tänker rationellt. AI:n hittar mönster. Exempel: AI-modeller som predikterar vårdtid eller vårdtyngd.

4. System som agerar rationellt. AI:n får specifik information och agerar självständigt efter det. Till exempel att hitta en särskild cancercell i vävnad eller en robot som utför kirurgi. 

Lektion 3: Felmarginalen

En AI blir aldrig bättre än de data den matas med eller tränas på. Med systematiskt ”dålig” data blir resultatet dåligt. Det kan uppstå så kallad bias kring exempelvis kön och etnicitet. Tas inte det i beaktande kan AI:n rent av förstärka felaktigheter och fördomar. Därför är det viktigt att jobba med mångfald när det gäller standarder. Och att involvera olika yrkesgrupper med olika perspektiv.

Felmarginalen gör att olika områden lämpar sig bättre eller sämre för AI-modeller. Exempelvis är biomarkörer mer tillämpliga än psykiatriska diagnoser som till stor del bygger hur patienten beskriver sina symptom, skattningsskalor där svaren i vissa fall beror på hur väl en patient kan uttrycka sig eller på enkäter som är vinklade mot ett visst tillstånd.