AI och symtomanalys kan förbättra primärvårdens möjligheter att upptäcka cancer tidigt hos patienter

En ny avhandling visar att riskbedömning, baserad på en kombination av maskininlärning, primärvårdsdata och laboratorievärden, kan ge läkare värdefullt stöd i diagnostiken och förbättra deras beslutsunderlag. Resultaten kan bidra till tidigare cancerupptäckt, snabbare behandling och i förlängningen – rädda fler liv.

Tidig upptäckt av cancer är avgörande för att förbättra prognosen och öka chansen till framgångsrik behandling. Men primärvården står inför en svår balans: att identifiera de patienter som behöver vidare utredning utan att överbelasta patienter och sjukvården med onödiga undersökningar.

I doktorsavhandlingen "Early Cancer Detection Through Symptoms and Signs" från Karolinska Institutet har Elinor Nemlander, specialist i allmänmedicin vid Liljeholmens universitetsvårdcentral, studerat hur AI-baserade modeller kan användas för att bedöma risken för lungcancer samt tjock- och ändtarmscancer. Genom att följa en stor grupp personer över tid (kohort) har forskarna även analyserat patienters laboratorievärden för att identifiera riskfaktorer och mönster som kan avslöja vilka som har hög risk att utveckla cancer.
– Att använda maskininlärning (AI) för att identifiera riskfaktorer och mönster hos patienter i primärvården har stor potential. Det lyfts även fram i den nya nationella cancerstrategin som nu är på remiss, säger Elinor Nemlander.

– För att verkligen kunna införa system som gör nytta i vården behöver vi undersöka detta systematiskt. Forskning har tidigare ofta utgått från sjukhusdata, men här fokuserar vi på primärvården – där de flesta patienter påbörjar sin cancerutredning – och hur vi kan förbättra diagnostiken, fortsätter hon.

Fotograf: Mattias Pettersson

Identifierat fler patienter i riskzonen än tidigare

Resultaten i avhandlingen visar tydliga samband mellan vissa symtomkombinationer, laboratorievärden och en förhöjd cancerrisk.
– Målet är att identifiera fler patienter som faktiskt är i riskzonen, samtidigt som vi minskar risken för att fel patienter utreds i snabbspår och tränger undan dem som verkligen behöver utredas. På så sätt kan vi starta utredning och behandling tidigare, vilket kan leda till bättre prognoser, större chans till lyckad behandling och i slutändan rädda fler liv, säger hon.

Resultaten i avhandlingen bygger på fem delstudier genomförda inom svensk hälso- och sjukvård. En central del i forskningen har varit utvecklingen av STEADY-CAN, en unik omfattande databas med patientdata från primär- och sekundärvård samt laboratorievärden som ger en bredare och mer heltäckande bild av hur tidiga cancersymtom kan identifieras genom att analysera mönster för tidig cancerupptäckt.

Ett viktigt fynd är att nytillkommen blodbrist (anemi) kan vara ett tidigt tecken på cancer. Patienter med anemi har en betydligt högre risk att utveckla cancer inom drygt ett år, särskilt tarmcancer och blodcancer, även när faktorer som ålder och andra sjukdomar tas med i beräkningen. Dessutom visade studien en ökad risk för död inom 18 månader vid nytillkommen anemi, vilket understryker vikten av tidig upptäckt och utredning. Det är en varningssignal som lätt kan förbises i vården.
– Den här insikten kan förändra hur vi i primärvården identifierar och följer upp patienter med subtila symtom och tar anemi på större allvar, säger Elinor Nemlander.

Med hjälp av maskininlärning kunde forskarna även förutsäga lungcancer hos patienter med förhöjd risk, baserat på deras symtom – även hos personer som aldrig har rökt.
– Det är betydelsefullt eftersom  personer som aldrig rökt ofta får sin diagnos för sent, trots att de har goda chanser att bli botade om sjukdomen upptäcks i ett tidigt skede, förklarar Elinor Nemlander.

En annan delstudie, där journaldata från primärvårdspatienter analyserades för att identifiera patienter med risk för tjock- och ändtarmscancer, visade att kombinationer av symtom som blödning och ändrade avföringsvanor var tydliga riskfaktorer.

Ett steg närmare en mer precis vård

Med fortsatt utveckling och validering kan resultat bana väg för nya riktlinjer inom svensk cancervård enligt forskargruppen.
– Vi vet att läkare i primärvården har en avgörande roll i att upptäcka cancer tidigt, men de har ofta begränsad tid att utvärdera komplexa symtombilder. Vårt nästa steg är att testa dessa AI-modeller i verkliga vårdmiljöer för att se hur de kan integreras i den kliniska vardagen, säger Elinor Nemlander.

Hon understryker att AI inte är tänkt att ersätta läkarnas kliniska bedömningar, utan snarare fungera som ett värdefullt verktyg för att flagga patienter med förhöjd risk som kan stärka beslutsfattandet.
– Med våra modeller kan vi ge läkarna ett stöd i diagnostiken, vilket kan leda till tidigare upptäckt och behandling – och i förlängningen rädda fler liv, avslutar Elinor Nemlander.

Elinor Nemlander försvarade sin avhandling "Early Cancer Detection Through Symptoms and Signs" den 31 januari vid Karolinska Institutet. Ladda ner avhandlingen här >>

 

 

 

 

 

 

Publicerad 2025-02-03