9. februar 2021

Forskere udvikler algoritme til at finde mulige fejldiagnoser

Fejldiagnoser

Forskere fra Københavns Universitet har udviklet en algoritme, der kan identificere patienter, som muligvis er fejldiagnosticeret. Ved hjælp af digital sygdomshistorik kan den registrere sygdomsforløb, som afviger så meget fra normale sygdomsforløb, at der kan være tale om en fejldiagnose. Algoritmen er udviklet på baggrund af data fra flere hundrede tusinde KOL-patienter.

Søren Brunak i mørkt serverrum — Professor Søren Brunak tror, at den nye algoritme kan blive et støtteværktøj for læger (foto: Peter Hove Olesen)

Det sker ikke ofte. Men en sjælden gang i mellem tager læger fejl og stiller en forkert diagnose. Patienter kan have mange sygdomme på én gang, hvor det kan være svært at skille symptomerne for den ene lidelse fra den anden, eller der kan være mangel på symptomer.

Fejl i diagnosen kan føre til forkert eller manglende behandling. Derfor forsøger alle i sundhedsvæsenet at minimere fejlene, så meget de kan.

Nu har forskere på Københavns Universitet udviklet en algoritme, der kan hjælpe med netop det.

”Vores nye algoritme kan finde de patienter, der har et så usædvanligt sygdomsforløb, at de måske ikke har den sygdom, de blev diagnosticeret med. Det kan forhåbentlig ende med at blive et støtteværktøj for læger,” siger Isabella Friis Jørgensen, postdoc på Novo Nordisk Foundation Center for Protein Research.

Algoritmen afslørede mulig lungecancer

Forskerne har udviklet algoritmen på baggrund af sygdomsforløb for 284.000 patienter med lungesygdommen KOL fra 1994 og til 2015. Ud fra disse data kom de frem til cirka 69.000 typiske sygdomsforløb.

”I Landspatientregisteret har vi kunne kortlægge, hvad man kan kalde typiske sygdomsforløb. Og hvis der dukker en patient op med et meget usædvanligt sygdomsforløb, så kan det jo være, at de simpelthen har fejlet noget andet. Det kan vores værktøj hjælpe med at opdage,” forklarer Søren Brunak, professor på Novo Nordisk Foundation Center for Protein Research.

Forskerne fandt eksempelvis en lille gruppe af 2.185 KOL-patienter, som døde meget kort efter KOL diagnosen. Det var ifølge forskerne et tegn på, at der kunne være noget andet og endnu værre galt.

”Da vi granskede nærmere i laboratorieværdierne fra de pågældende patienter, kunne vi se, at de afveg fra normale værdier for KOL-patienter. Til gengæld lignede de værdier som er tættere på dem man ser for lungecancer-patienter. Kun 10 procent af disse patienter fik diagnosen lungecancer, men vi er rimelig overbeviste om, at de fleste hvis ikke alle disse patienter faktisk havde lungecancer,” forklarer Søren Brunak.

Data til gavn med det samme

Selvom algoritmen er valideret gennem data fra KOL-patienter, kan den i princippet anvendes for mange andre sygdomme. Princippet er nemlig det samme: Algoritmen bruger registerdata til at kortlægge de typiske sygdomsforløb og kan finde ud af, hvis nogle patienters sygdomsforløb stikker så meget ud, at noget måske er galt.

”Det vigtigste formål for os er naturligvis, at patienterne får så meget sundhed for pengene som overhovedet muligt. Og vi tror på, at den her algoritme i fremtiden kan ende med at blive brugt som et støtteværktøj for læger. Når algoritmen først har kortlagt de typiske sygdomsforløb, tager det ikke mere end 10 sekunder at matche en enkelt patient op mod alle andre,” siger Søren Brunak.

Han understreger, at algoritmen skal valideres yderligere og afprøves i kliniske forsøg, før den kan implementeres på danske hospitaler. Men han håber, det er noget man snart kan gå i gang med.

”I Danmark roser vi tit vores gode sundhedsregistre, fordi de har værdifulde data for forskere. Vi forsker i dem fordi det kan komme andre mennesker til gavn ude i fremtiden i form af bedre behandling. Men det her er faktisk et eksempel på, at dine egne sundhedsdata kan komme dig selv til gode lige med det samme,” siger Søren Brunak.

Læs mere om forskernes nye resultater i det videnskabelige tidsskrift NPJ Digital Medicine: ”Time-ordered comorbidity correlations identify patients at risk of mis- and overdiagnosis”