Af Niels Landbo Krogh, AAU Kommunikation & Public Affairs

Foto: Privat

I dag vurderer læger ofte kræftpatienters forløb ud fra de samme metoder som de gjorde for 30 år siden, tommelfingerregler og enkle modeller med rod i en tid før moderne dataanalyse. Det vil Mikkel Runason, ph.d.-studerende ved Aalborg Universitet og en selverklæret “nørd”, være med til at ændre på. 

Statistiske modeller og Machine Learning er iblandt hans værktøjer, og sammen med en mere innovativ brug af eksisterende sundhedsdata kan læger få bedre værktøjer til at forudsige sygdomsforløb – og dermed træffe mere præcise og livsvigtige beslutninger, siger han.

”Med vores store digitalisering og AI overalt i dag, kan det være frustrerende at sundhedsvæsnet fortsat overvejende baserer deres beslutningstagning på en simpel risikovurdering, der kan foretages på bagsiden af en lap papir,” siger Mikkel Runason. 

”Men der er også grund til optimisme, forskere som jeg har gennem de seneste år lavet meget grundarbejde for at kunne få moderne beslutningsstøtte til sundhedsvæsnet, nu må vi så se hvordan og i hvilken grad det bliver integreret i den kliniske praksis.”

En ny generation af beslutningsstøtte

Mikkels forskning handler om blodkræft og specielt lymfekræft, hvor han har udviklet og testet prognostiske modeller, der overgår de klassiske værktøjer som International Prognostic Index (IPI). I samarbejde med SDU-forskeren Jelena Jelicic er der analyseret data fra tusindvis af patienter i det danske lymfomregister og vist, hvordan nye modeller – baseret på fx beta-2 mikroglobulin og albumin – kan forbedre risikovurderingen markant.

"Behandlinger i sundhedsvæsenet er generelt blevet så meget bedre, at der nu er krav om personligt tilpasset medicin, hvis vi fortsat skal forbedre behandlingerne. Derfor håber jeg, vi indenfor diagnose og beslutningsstøtte snart kan skrue op for ambitionerne og bevæge os mod stærkere brug af data," siger han.

I dag baserer læger ofte deres vurderinger på modeller, der er lette at huske, men som ikke tager højde for kompleksiteten i moderne patientforløb. Ved at kombinere løbende kliniske data med avancerede statistiske metoder og Machine Learning, kan Mikkel Runason og hans kollegers modeller give et langt mere nuanceret billede af patientens risiko og behov.

Gamer-skade ledte til sundhedsfokus

Mikkel Runason beskriver sig selv som lidt af en nørd, da han startede på universitet – med en baggrund i gaming, Dungeons & Dragons og en stor kærlighed til matematik. Han begyndte sin akademiske karriere med planer om at blive officer i hæren, men endte som matematiker og statistiker med speciale i kræft.

"Jeg havde en dygtig matematiklærer i gymnasiet – en ældre ingeniør – og det tændte noget i mig," fortæller han. "Senere gik det op for mig, at jeg var for inaktiv bl.a. pga. min gaming. Jeg fik ondt i ryggen bare af at stå op i længere tid. Det førte mig til styrketræning og en interesse for sundhed, der blev mere og mere faglig."

Aalborg Universitet som base

Mikkels ph.d.-projekt er finansieret af Danish Data Science Academy (DDSA), og er et samarbejde mellem Aalborg Universitetshospital og Institut for Matematiske Fag ved Aalborg Universitet – et miljø med stærke traditioner inden for statistik og matematik, hvor flere arbejder med at fokus på sundhed.

Han er en af flere forskere på sit institut, der arbejder med Machine Learning indenfor sundhedssektoren, og hans arbejde peger frem mod en fremtid, hvor læger får adgang til beslutningsstøtte baseret på store datamængder og avancerede modeller.

"De næste superværktøjer indenfor diagnostik og sundhed bliver lidt mere bøvlede at bygge, men de simple modeller vi bruger nu er ikke længere tilstrækkelige. Derfor er det godt med den store udvikling inden for AI."

Læs mere om Mikkels forskning og publikationer via hans profil på Aalborg Universitets forskningsportal