Artificiell intelligens (AI) och precisionsmedicin förändrar hur vi upptäcker och behandlar sjukdomar [1]. Den kanske mest kraftfulla effekten kommer att märkas inom primärvården, där datadrivna verktyg för beslutsstöd ska hjälpa vården att diagnostisera och behandla patienter så tidigt som möjligt [2, 3].

Frågan är hur systemen bäst ska utformas för att komma sjukvården och patienterna till gagn. Ett vanligt men underdetekterat och därmed underbehandlat tillstånd är benartärsjukdom (BAS). En rikstäckande studie fann att drygt 1 av 5 patienter med BAS på sjukhus avlider inom ett år och 1 av 6 drabbas av en allvarlig kardiovaskulär händelse inom ett år [4]. Prevalensen av BAS i primärvården är hög, men läkarnas medvetenhet om diagnosen är relativt låg [5].

Diagnostiken av BAS baseras på anamnes, kärlstatus och beräkning av så kallat ankel–brakialindex (ABI) [6]. Kostnadseffektiviteten för screeningundersökning med ABI beror på förekomsten av BAS i en kohort, behandlingskostnad/månad och följsamheten till behandling [7]. Screening bör därför fokuseras på högriskkohorter [8]. Datadrivna BAS-riskindex kan markant förbättra specificiteten av screening [9]. Genom att utvärdera risken för enskilda patienter med en datadriven algoritm kan målpopulationen minskas och träffsäkerheten öka [10].

Noggrannheten hos riskprediktionsmodeller ökar när mer data blir tillgänglig. Genom dataskyddsförordningen (GDPR) ges individen rätt att ta emot och överföra personuppgifter från system till system. Hälsodata kan därför med individens samtycke samlas in från olika källor för att kunna erbjuda förbättrade hälsotjänster baserade på algoritmer.

Mer data kräver noggrant utformade system som inte överväldigar personalen med onödiga larm och information. Systemen behöver anta olika strategier beroende på ökande risknivåer för beslut. Förslag på livsstilsförändringar – exempelvis hur man slutar röka eller kan träna mer – kan skapas av AI-algoritmer i dialog med patienterna. Rutinaktiviteter kan på begäran styras av riskalgoritmer; till exempel genom att föreslå att högriskindivider ska ses och bedömas först.

För att förvandla forskningsresultat till produkter som stöder primärvården bör följande beaktas:

  • Utveckling av datadrivna modeller bör så långt möjligt baseras på lättillgänglig hälso- och sjukvårdsinformation i primärvårdens olika IT-system.
  • Nya medicintekniska krav bör ställas på programvaror, vilket tryggar användningen.
  • Vårdgivare måste formulera tydliga riktlinjer och rutiner för hur man använder AI-baserade system som beslutsstöd.

Redan i dag har över 80 procent av svensk primärvård tillgång till ett kvalitetsuppföljningsverktyg som identifierar förhöjd risk för kardiovaskulär sjukdom hos patienter med diabetes. Under året kommer även patienter med förhöjd risk för BAS att kunna identifieras [11]. Verktyget är integrerat med den lokala journalen och möjliggör ett preventivt arbetssätt. Via Sveriges Kommuner och regioners (SKR) initiativ »Primärvårdskvalitet« [12] kan dessutom omkring 90 procent av vårdcentralerna ta del av egna data och följa nationella kvalitetsindikatorer.

AI-driven journalscreening bör användas för att identifiera högriskindivider. Bättre precision i primärvården innebär bättre livskvalitet för individen, färre allvarliga ohälsoutfall och stora besparingar. En bred användning av datadrivna beslutsstöd kommer i snabb takt att förändra mycket, inte minst för de invånare som kan få snabb diagnos och behandling tidigare i sjukdomsförloppet. Vården belastas med färre allvarliga händelser som kräver slutenvård och får större effekt av etablerade behandlingar.

I samarbete med specialister i datadriven modellering har svensk sjukvård både organisatoriska förutsättningar och kompetens för att leda utvecklingen.