Svensk avhandling: AI och symtomanalys kan hjälpa primärvården att hitta cancer tidigt

Avhandlingen heter Early Cancer Detection Through Symptoms and Signs och är författad av Elinor Nemlander, specialist i allmänmedicin vid Liljeholmens universitetsvårdcentral. I avhandlingen påvisar hon att riskbedömning med machine learning och vårddata kan förbättra läkares beslutsunderlag och potentiellt leda till tidigare cancerupptäckter, snabbare behandling och fler räddade liv. 

– Min forskning fokuserar på att identifiera symtom och tecken i primärvården som kan indikera en förhöjd cancerrisk. Målet är inte att skapa diagnosverktyg, utan att utveckla varningssystem som flaggar för läkaren när specifika symtomkombinationer kan tyda på ökad cancerrisk. AI kan hjälpa till att sammanställa och analysera stora mängder data, såsom symtom, fynd och provsvar, vilket gör det lättare för läkaren att uppfatta mönster som kan vara svåra att se manuellt. Modellen är tänkt som ett komplement till läkaren, inte en ersättning, säger Elinor Nemlander. 

Blodbrist innebär ökad cancerrisk

Studier i avhandlingen visar tydliga samband mellan symtomkombinationer, laboratorievärden och ökad cancerrisk. Genom att analysera data kunde forskarna identifiera högriskpatienter och minska risken att fel personer prioriterades i snabbspår.

Ett viktigt fynd i Elinor Nemlanders forskningsarbete var att blodbrist (anemi) kan vara ett tidigt tecken på cancer, speciellt när det gäller tarmcancer och blodcancer. Dessutom råder patienter med anemi en ökad risk att dö inom 18 månader.

– I min avhandling har vi analyserat blodprovsdata från hela Stockholm över en tioårsperiod och identifierat samband mellan blodbrist och en ökad risk för både cancer och död, särskilt i vissa åldersgrupper.  

– I länder som Storbritannien och Kanada används till exempel förhöjda blodplättar som en varningssignal för ökad cancerrisk, något som ännu inte ingår i de svenska riktlinjerna. Därför undersöker vi nu även blodplättar och hur förändringar inom normalintervallet kan signalera en tidig risk. 

Dessa insikter om blodbrist kan komma att förändra hur vi i Sverige identifierar och följer upp patienter med subtila symtom i primärvården.

– Detta öppnar upp nya möjligheter att inkludera sådana indikatorer i svenska kliniska riktlinjer. Med hjälp av maskininlärning kan vi analysera laboratoriesvar och trender för att stödja läkare i att upptäcka riskfyllda mönster och kombinationer – något som på sikt kan bidra till tidigare upptäckt och bättre behandlingsmöjligheter. 

AI som förutser lungcancer 

Elinor Nemlanders forskning visar också att AI kan förutspå lungcancer, även hos personer som aldrig rökt. Två av studierna i avhandlingen identifierade också högriskpatienter för tjock- och ändtarmscancer genom att analysera journaldata och symtom som blödning och ändrade avföringsvanor.

Med fortsatt utveckling kan dessa metoder bli en del av framtidens vårdriktlinjer, men det är en lång väg dit. 

– Det finns mycket hype kring AI globalt men i kliniken används teknologin ännu ganska sparsamt, framför allt inom bildigenkänning för radiologiska bedömningar, vilket inte görs i primärvården. Det jag har fokuserat på är riskvärderingsinstrument, vilket är ett område där vi fortfarande har en lång väg att gå innan det kan implementeras brett.  

En central fråga framöver blir att bestämma vid vilken risknivå som man tycker att det är rimligt att utreda cancer.

– Här handlar det om att hitta en balans mellan över- och underutredning, men även om att ta hänsyn till vårdens kapacitet och patienternas önskemål. I Storbritannien har de satt en gräns för snabbutredning av cancer vid 3-procentig risk, men i Sverige finns ännu inget motsvarande riktmärke. 

Hur kommer den svenska primärvården att använda AI annorlunda om 18 månader, tror du? 

– Inom 18 månader tror jag att vi kommer att börja testa enklare maskininlärningsmodeller för att identifiera förhöjd cancerrisk i primärvården, åtminstone i forskningssammanhang. Men för att dessa modeller ska kunna implementeras brett och visa på tydlig nytta – både kliniskt och ekonomiskt – kommer det sannolikt att ta längre tid. Utvärderingar och valideringar kommer att vara avgörande för att bedöma om de är tillräckligt effektiva för att införas i det ordinarie vårdarbetet.