Neurologi_nr4_2025

| Artificiell intelligens

Forskare vid Uppsala universitet har utvecklat en ny AI-baserad metod som kan förutse övergången till sekundär progressiv multipel skleros och sam tidigt ange hur säker modellen är på sin bedömning. Metoden kan bana väg för tidigare och mer individanpassad behandling för tusentals patienter.

Text KIM KULTIMA Universitetslektor/Docent vid Institutionen för medicinska vetenskaper vid Uppsala universitet kim.kultima@medsci.uu.se

Text AKSHAI PARAKKAL SREENIVASAN Doktorand vid institutionen för medicinska vetenskaper vid Uppsala universitet akshai.parakkal.sreenivasan@medsci.uu.se

na har därför kompletterat AI-mo dellen med ramverket för konform prediktion (eng. conformal predic tion), vilket gör att den kan ge både en prediktion och en uppskattning av dess tillförlitlighet. Modellen kan vid varje uppföljande sjukhusbesök bedöma om en person med MS har övergått till SPMS och samtidigt ange styrkan i bedömningen. Till skillnad från traditionella AI- och andra maskininlärningsmodel ler, som levererar ett fast resultat, beräknar konform-prediktionsmo dellen individuella konfidensnivåer för varje förutsägelse. Om modellen till exempel bedömer att en patient sannolikt har övergått till SPMS, anger den även om denna bedöm ning görs med hög eller låg säker het. Denna information kan vara avgörande för att vägleda beslut om uppföljning och behandling. Modellen inkluderar dessutom (SPMS). Vid varje uppföljande sjukhusbesök kan modellen bedöma om en person med MS uppvisar tecken på progression. I det här exem plet (den övre figuren) identifierade AI-model len övergången ungefär tre år tidigare än vad som noterades i det kliniska förloppet, vilket överensstämmer med klinikernas retrospektiva bedömning. Det nedre diagrammet illustrerar hur sjukdomen gradvis förändras, med en ökande sannolikhet för progressiv MS över tid. Tillsam mans visar graferna hur AI kan bidra till att upp täcka tidiga tecken på sjukdomsprogression och stödja mer välavvägda och tidsmässigt träffsäkra kliniska beslut. Modifierad figur från Sreenivasan et al., publicerad i npj Digital Medicine (2025). © Författarna. Återges under licensen CC BY 4.0 Figuren visar hur en AI-modell kan bidra till att upptäcka när en patient med skovvis förlöpande MS (RRMS) övergår till sekundärprogressiv MS

Progressiv MS kan

M ultipel skleros, MS, är en kronisk neurologisk sjukdom som drabbar över 22 000 personer i Sverige. Sjukdomsförloppet varierar mellan individer, och en klinisk utmaning är att identifiera när en patient med skovvis förlöpande MS, RRMS, övergår till sekundärprogressiv MS, SPMS. Denna övergång innebär en gradvis försämring av den neurolo giska funktionen och upptäcks ofta först i efterhand, med en genom snittlig diagnostisk fördröjning på omkring tre år. Idag finns inga bio markörer i kliniskt bruk som tidigt kan identifiera den här övergången. En tidig identifiering av patienter i riskzonen kan göra det möjligt att sätta in rätt behandling i tid. För att underlätta arbetet med att förutsäga övergången till SPMS i ett tidigare skede än vad som är möjligt idag har forskare vid Uppsala uni

versitet utvecklat en artificiell intel ligens-modell som kan göra just det ta. Studien bygger på data från det svenska MS-registret som innehåll er ett longitudinellt datamaterial med klinisk information från över 22 000 svenska MS-patienter, inklusive demografiska uppgifter, sjukdomshistorik och upprepade neurologiska bedömningar från flera sjukhusbesök. Det omfattande materialet gjorde det möjligt att trä na och validera modellen med hjälp av verkliga kliniska data insamlade under många år. Traditionella prognostiska me toder utgår i hög grad från popu lationsbaserade data och klinisk expertis, vilket begränsar möjlig heten till precision på individnivå. Samtidigt redovisas sällan osäker heten i bedömningen, vilket gör det svårt för kliniker att bedöma resultatets tillförlitlighet. Forskar

40 |neurologi i sverige|#4 2025