AI-hjälp i primärvården: Ny metod kan identifiera spridd tarmcancer tidigare

Ett nytt AI-verktyg, utvecklat av forskare vid bland annat Karolinska Institutet och Uppsala universitet, visar lovande resultat i att tidigare identifiera spridd tjock- och ändtarmscancer genom analys av mönster i patientjournaler från primärvården. Studien, där Eliya Abedi vid Jakobsbergs universitetsvårdcentral är medförfattare, pekar på AI:ns potential som stöd i att upptäcka svårdiagnostiserad cancer.

AI-modellen har testats på journaldata från vårdcentraler i Västra Götaland och kunde korrekt identifiera nära 80 procent av patienterna med spridd kolorektalcancer.
– Det innebär att vi har möjlighet att fånga upp en stor andel av de här ofta sent upptäckta cancerfallen tidigare än idag, säger Eliya Abedi, doktorand och specialist i allmänmedicin.

Eliya Abedi vid Jakobsbergs universitetscentral.

Hon betonar att de flesta fall fortfarande upptäcks först när patienten själv söker vård för symtom – ofta i ett sent skede då cancern redan spridit sig, trots att screeningprogram för kolorektalcancer finns på plats.

I studien analyserades data från 146 patienter med spridd kolorektalcancer, jämfört med 577 matchade kontrollpersoner. Forskarna använde maskininlärning för att identifiera mönster i bland annat diagnoskoder och vårdbesök året före diagnosen. Totalt granskades 178 diagnoser samt antalet vårdkontakter som möjliga indikatorer.

Mönster av vårdkontakter som varningssignal

Den starkaste indikatorn på ökad cancerrisk var inte en specifik diagnos – utan ett tydligt förändrat mönster i vårdkontakterna. Patienter som hade fler besök än genomsnittet under året före diagnosen visade sig ha en ökad risk för spridd cancer.
– Det handlar inte om ett enskilt symtom eller besök, utan om kombinationen av flera tecken och hur ofta patienten söker vård. Där kan AI bidra genom att upptäcka just de här subtila mönstren som annars kan förbises, förklarar Eliya Abedi.

Stöd – inte ersättning – för läkare

Syftet med AI-verktyget är inte att ersätta läkarens kliniska bedömning, utan att fungera som ett kompletterande beslutsstöd. Verktyget kan integreras i befintliga journalsystem och automatiskt flagga för patienter med hög risk, vilket ger läkaren ett extra underlag i sin bedömning.

Trots de lovande resultaten poängterar Eliya Abedi att verktyget ännu inte är redo för brett införande.
– Fler tester krävs i andra regioner och länder för att säkerställa att metoden fungerar i olika vårdmiljöer. Men vår studie visar tydligt att AI har potential att förbättra tidig upptäckt i primärvården – och i förlängningen rädda liv.