Neurologi_nr4_2025

Figuren illustrerar hur data från det svenska MS-registret, som innehåller ett omfattande longitudinellt datamaterial med klinisk information från över 22 000 svenska MS-patienter, inklusive demografiska uppgifter, sjukdomshistorik och upprepade neurologiska bedömningar från flera sjukhusbesök, användes för att träna en AI-modell. Syftet med modellen är att underlätta upptäckten av när en patient med skovvis förlöpande MS övergår till sekundärprogressiv MS. Modellen tillhandahåller både en tillförlitlighetsnivå för varje förutsägelse och en förklaring till vilka fakto rer, såsom ålder, sjukdomsduration eller EDSS, som påverkade resultatet. Figur från Sreenivasan et al., publicerad i npj Digital Medicine (2025). © Författarna. Återges under licensen CC BY 4.0

förutspås av AI förklarande verktyg som gör det möjligt för kliniker att se vilka fak torer som haft störst betydelse för en viss förutsägelse. Denna transpa rens ökar förståelsen för modellens resonemang och stärker tilliten till AI-baserade beslutsstöd. beslut, eftersom de inte bara vet vad modellen förutspår utan också hur säker den är på sin bedömning. Enligt forskarna öppnar model lens förmåga att uttrycka osäkerhet flera viktiga möjligheter inom klinisk praxis:

validering krävs innan metoden kan införas i rutinsjukvården. Studien som har publicerats i tidskriften npj Digital Medicine visar dock att konform prediktion-ramverket erbjuder ett kraftfullt, transpa rent och patientcentrerat sätt att modellera prognoser vid komplexa kroniska sjukdomar som MS. För att underlätta fortsatt forsk ning har teamet även utvecklat en anonymiserad onlineversion av mo dellen, MSP-tracker (msp-tracker. serve.scilifelab.se/ – använd qr-kod), som gör det möjligt för andra forskare att utforska och testa ramverket på avidentifierade data. Detta öppna initiativ syftar till att påskyn da den datadrivna innovationen inom MS-forskning och att under lätta användningen och vidareut vecklingen av prediktiva verktyg för neurologiska sjukdomar i stort. n

När modellen testades på tidigare osedda patientdata uppnådde den 93 procent träffsäkerhet i att avgöra om en person med MS befann sig i RRMS- eller SPMS-stadiet vid ett sjukhusbesök. Anmärkningsvärt nog kunde AI:n identifiera över gången tidigare än klinikerna i hela 87 procent av fallen. Kim Kultima, vid institutionen för medicinska vetenskaper vid Uppsala universitet, kommenterar: – Förmågan att förutsäga över gången mellan RRMS och SPMS, med en kvantifierad osäkerhet är ett stort steg framåt. Det innebär att kliniker kan fatta mer välgrundade

• Individanpassad behandling: Förutsägelser med hög säkerhet kan vägleda behandlingsbeslut och möjliggöra tidigare intervention för personer med MS som riskerar progression. • Hantera förväntningar: Genom att ge personer med MS en statis tiskt välgrundad uppskattning av diagnossäkerheten främjas trans parens och delat beslutsfattande. • Identifiera komplexa fall: För utsägelser med låg säkerhet kan sig nalera behov av tätare uppföljning eller ytterligare diagnostik. Trots lovande resultat betonar forskarna att ytterligare klinisk

#4 2025 |neurologi i sverige |41