Stroke er en kilde til betragtelig sygelighed og død i Danmark. Hvert år rammes 12.000 danskere af stroke, og det er den hyppigste årsag til erhvervet handicap for voksne samt den fjerde hyppigste dødsårsag. Når en person bliver ramt af stroke, er det ikke kun en person, der bliver påvirket, men også personens familie og nære venner.
Den rigtige behandling, givet hurtigt, har potentiale for at mindske følgevirkningerne efter stroke, og for en gruppe af patienterne med stroke kan den være livreddende. Desværre er det under halvdelen af patienter, der er ramt af stroke, der kommer på hospitalet tidsnok til at kunne modtage den mest effektive behandling, og blandt gruppen af patienter med en blodprop i hjernen er det kun omkring 20 % der modtager blodpropopløsende behandling.
At tallet ikke er højere, skyldes flere faktorer, der skal gå rigtigt, for at man får den bedst mulige behandling for stroke. Hospitalet skal selvfølgelig have ekspertisen og kapaciteten til at give behandling og diagnosticere patienterne, og ambulancerne skal få patienten hurtigt på hospitalet. Men allerede ved første kontakt til sundhedsvæsnet, ved opkaldet til alarmcentralen, er det nødvendigt, at det bliver genkendt, at der kan være tale om et stroke. På den måde kan en ambulance sendes afsted, og patienten transporteres til den rigtige afdeling med ekspertviden om stroke.
Mange tilfælde af stroke genkendes ikke ved opkald til alarmcentralen
I min forskning har jeg undersøgt genkendelsen af stroke ved opkald til alarmcentraler på verdensplan, samt ved opkald til 1-1-2 og 1813 i Region Hovedstaden. Her påviste jeg, at det for mange patienter med stroke ikke bliver genkendt, at de har stroke ved opkald til telefonlinjerne, og i Region Hovedstaden er den laveste genkendelse på 1813. Samtidig viste resultaterne, at der var en meget stor andel falsk positive, dvs. opkald, hvor den sundhedsfaglige visitator troede patienten var ramt af stroke, men hvor det i virkeligheden drejede sig om en anden sygdom.
Baseret på de fund samarbejdede vi i min forskningsgruppe, der er ledet af ledet af overlæge og klinisk lektor Helle Collatz Christensen og seniorforsker og ph.d. Nikolaj Blomberg, med Corti, et firma med ekspertise i kunstig intelligens i sundhedsvæsenet. Sammen brugte vi de data, vi havde samlet fra det danske strokeregister (DanStroke) og det interne opkaldsregister i Region Hovedstadens Akutberedskab (Logis-CAD), til at træne en kunstig intelligens til at lytte med på opkald til 1813, og vurdere, om der var tale om et stroke.
Træning af den kunstige intelligens
Når man arbejder med træning af en kunstig intelligens er det vigtigt, at de data man bruger til træning, ikke er de samme som dem, man bruger til at teste om den kunstige intelligens virker. På den måde kan man modvirke ”overfitting”. Overfitting er et begreb der dækker over, at en kunstig intelligens lærer træningsdata så godt at kende, at den kun kan genkende de samme træningsdata og ikke kan bruge det den har lært på anden ny data. I test vil testresultaterne se gode ud, men når man prøver den kunstige intelligens af i praksis, vil den ikke fungere som forventet.
For at undgå overfitting brugte vi opkald fra både 1-1-2 og 1813 fra 2015-2020 til at træne den kunstige intelligens, og vi brugte opkald fra 1813 i 2021 til at teste den kunstige intelligens.
Vores kunstige intelligens fungerede ved først at bruge en kunstig intelligens til at skrive samtalen ned ud fra lydfilen, og derefter analyserede en ny kunstig intelligens på de ord, der blev sagt. Under træningen fik den at vide, hvilke samtaler der handlede om stroke, og hvilke der ikke gjorde, og dens opgave var derfra at finde forskelle på de to typer samtaler.
Den færdige kunstige intelligens arbejder derfor ved løbende at oversætte lyden fra samtalen til tekst, og samtidig analysere, om de ord, eller kombinationer af ord, er til stede, som kunne tyde på, at der er tale om et stroke. Hvis den kunstige intelligens vurderer, at risikoen er høj nok, vil den kunne komme med en advarsel om, at der er høj risiko for stroke, som en telefonvisitator på 1813 kan se og reagere på.
Vores analyser viste, at de ord, der var afgørende for, at den kunstige intelligens mistænkte stroke var ord, som refererer til symptomer på stroke, behandlingen af stroke eller sygdomme, der øger risikoen for stroke, og på den måde fik vi bekræftet, at den kunstige intelligens havde lært det, vi havde håbet på.
Den kunstige intelligens genkender flere end de menneskelige visitatorer
Det blev også bekræftet, da vi testede den kunstige intelligens på opkald fra 1813 i 2021, og resultaterne viste, at den kunstige intelligens var bedre til at genkende stroke end de menneskelige visitatorer. Således genkendte de menneskelige visitatorer på 1813 52,7 % af opkald om stroke, mens den kunstige intelligens genkendte 63,0 %. Samtidig var den kunstige intelligens også mere præcis, da de menneskelige visitatorer havde ret i deres mistanke om stroke 17,1 % af gangene, og den kunstige intelligens havde ret 24,9 % af tiden.
Vores analyser viste også, at den kunstige intelligens klarede sig bedre end de menneskelige visitatorer, når man så på undergrupper som kvinder og mænd, unge og ældre. Faktisk kunne den mindske den forskel der var i genkendelse mellem grupper, og dermed fungere som en måde at mindske bias, der påvirker de grupper, som f.eks. kvinder, hvor genkendelsen af stroke er ofte lavere.
Samtalen mellem patient og visitator er basis for analysen med kunstig intelligens
Den kunstige intelligens kan ikke overtage opgaven med at visitere opkald fra de menneskelige visitatorer. Den er afhængig af samtalen mellem de to mennesker, da det er netop den samtale, der er basis for analysen. Men den kan bruges som et støtteværktøj, der kan komme med en advarsel om, at risikoen er høj for stroke.
En simulation har vist, at hvis de menneskelige visitatorer tager højde for input fra den kunstige intelligens, ville de genkende 72,3 procent af opkald om stroke. En væsentlig forbedring sammenlignet med de 52,7 procent i dag.
Vi planlægger aktuelt at tilpasse og implementere den kunstige intelligens til 1-1-2 i Region Sjælland. Vores håb er, at det vil føre til at flere patienter med stroke bliver genkendt allerede ved første telefonsamtale, og derfor kan komme hurtigere til den rigtige hospitalsafdeling, få bedre behandling og i sidste ende et bedre liv efter stroke.
Jonathan Wenstrup blev færdiguddannet som læge i 2018. Siden har han arbejdet i Neurologien på flere hospitaler i Region Hovedstaden, og forsvarede i December 2024 i sin PhD om forbedring af genkendelse af stroke ved hjælp af kunstig intelligens. Jonathan har særligt fokus på formidling af sin forskning, og er vinder af foredragskonkurrencen “Mogens Fog prisen” i 2023 og var finalist til Ph.D. Cup i 2025.
