IT-studerende om kunstig intelligens: GENNEMSKUELIGHED BLIVER AFGØRENDE

It-specialister kan forske i brugen af kunstig intelligens til diagnosticering, personspecifik behandling og udvikling af ny medicin. Det kan frigive mere tid til at tage sig af patienterne, mener ITU-studerende Nadia Krag. Men det kræver, at omverdenen har tillid til den måde, den kunstige intelligens bliver brugt på.

Politikerne taler ofte om, at vi skal spare på bureaukrati og registrering og i stedet bruge pengene på varme hænder i sundhedssektoren. Men måske er billedet ikke så simpelt.

”Hvis vi som data scientists kan forske i anvendelse af kunstig intelligens til diagnosticering, personspecifik behandling og udvikling af ny medicin, så kan det frigive mere tid til patienterne,” siger Nadia Krag.

Med en bachelor i både sygepleje og data science har hun set begge sider af sundhedsvæsenet. Uddannelsen som sygeplejerske har givet hende indsigt i de fagbegreber, processer og metoder, man arbejder med i sundhedsvæsenet. Hun har også set, hvor vigtigt det menneskelige nærvær er ude på sygehusene. Men lige nu har hun valgt at fokusere på de teknologiske muligheder, og tage en kandidatgrad i data science.

”Mit fokus er sundhedsdata, og vi sidder virkeligt på en guldgrube i Danmark, fordi vi har været gode til at indsamle data i en lang årrække. Det giver unikke muligheder for at forske,” siger Nadia Krag.

”Vi arbejder med så store datamængder, at mennesker ikke af sig selv kan spotte alle sammenhænge. Når man har data for en million mennesker og parametre for alt fra køn og alder til blodprøver og testresultater, så kræver det kunstig intelligens at finde de sammenhænge, som vi ikke engang aner noget om,” forklarer Nadia Krag.

Anonymitet og gennemskuelighed

Og lige dér – hvor datamængderne bliver så store, at de ikke kan gennemskues af mennesker, så dukker de etiske udfordringer op – fx sikring af anonymitet.

En af de store udfordringer er at sikre, at sundhedsdata ikke kan misbruges. Her har man traditionelt arbejdet med anonymisering, men Nadia Krag peger på, at anonymisering ikke altid er sikkert nok og derfor kan syntetiske data være vejen frem. Men det kræver nye metoder.

”AI-modeller kan finde sammenhænge og karakteristika i et datasæt, som man så kan anvende til at generere et nyt syntetisk datasæt. De syntetiske data har samme karakteristika som de oprindelige data, men der er ikke nogen tilknytning til de oprindelige personer,” forklarer Nadia Krag.

Udviklingen går rasende hurtigt især inden for AI-området, hvor forskellige metoder inden for machine learning vinder frem, og det rejser også nye problematikker.

”Der bliver udviklet flere og flere machine learning-modeller, som vi kan arbejde med – fx General Adversarial Networks, hvor to neurale netværk kæmper mod hinanden.”

Men de mange modeller, som kan være ganske komplicerede at forstå, stiller også nye krav til folk i IT-branchen.

”Corona-pandemien viste os, at det er helt afgørende, at folk forstår og har tiltro til det, vi gør og de værktøjer, vi bruger. Derfor skal vi blive bedre til at forklare vores fag – både til de fagfolk vi arbejder sammen med og den brede offentlighed,” understreger Nadia Krag.”

”I sidste ende, kan det have betydning for liv og død – for det er afgørende, at patienterne har tillid til både diagnoser og behandlingen,” siger Nadia Krag.