Vil skreddersy behandlingen
En mer skreddersydd og persontilpasset behandling er målet for forskningen til Karine Frost. – Vi ønsker å behandle pasienter med psykiske diagnoser med enda større treffsikkerhet, sier psykologspesialisten og Ph.D-kandidaten.
Å tilpasse behandlingen til den enkelte pasient har lenge vært et mål. Nye metoder skaper flere muligheter for å oppnå dette. For det er ikke alltid slik at én type behandling passer absolutt alle.
– Vi ser for eksempel innenfor kreftbehandling at behandlingsopplegget nå i mye større grad tilpasses hver enkelt pasient. Det snakkes om presisjonsmedisin, hvor målet er å oppnå et enda bedre behandlingsresultat, sier Frost.
“Målet er å oppnå et enda bedre behandlingsresultat”
Kunstig intelligens
Karine Frost og hennes medforskere trekker paralleller til psykisk helsevern og ønsker presisjonsmedisin også her.
– Vi vil ta gode valg for den enkelte pasient allerede ved behandlingsstart, og videre legge opp et behandlingsløp som vil gi best mulig resultater. For å hjelpe oss med dette vil vi teste ut potensialet i å bruke maskinlæring, som er en form for kunstig intelligens. Slike modeller bruker mange informasjonskilder samtidig, i stedet for å basere valg av behandling på ett enkelt element som klinikerens vurdering eller diagnose.
Gjør beregninger
Vi har brukt en form for maskinlæring som kalles Personalized Advantage Index (PAI).
– PAI tar i bruk erfaring fra behandlinger som allerede er gjennomført og beregner ut fra dette hvordan det sannsynligvis vil gå i behandling på individnivå. Denne beregningen kan deretter brukes som støtte for å velge den rette behandlingen for den enkelte pasienten. På denne måten kan vi på et tidlig tidspunkt få en pekepinn på valg av riktig behandlingstype, og skreddersy og tilpasse behandlingen med større treffsikkerhet, sier psykologspesialisten.
“Vi vil på et tidlig tidspunkt kunne velge riktig behandlingstype, og skreddersy og tilpasse behandlingen med større treffsikkerhet”
Posttraumatisk stress
Forskningsgrunnlaget Frost bruker i sitt prosjekt er basert på informasjon fra 92 pasienter. Disse pasientene deltok i et forskningsprosjekt på posttraumatisk stress (PTSD) som kollega Peter Sele gjennomførte.
– Først har vi gjennomført PAI-analyser på utvalget fra dette forskningsprosjektet. Steg to i prosjektet vårt er å gjøre de samme analysene i et større pasientutvalg fra ordinære behandlingsforløp, sier Frost.
Bruke klinisk skjønn
Mye forskning indikerer at forskjellige behandlingsmetoder er effektive, men resultatene rapporteres som regel på gruppenivå.
– Ser vi på behandlingseffekten blant individene gruppen består av, er det som regel stor variasjon. Dette er også tilfellet i forskningsprosjektet ledet av Sele, opplyser Frost.
– Variasjonen i gruppa er stor. Noen hadde veldig godt utbytte av behandlingen, og noen ikke. Men gjennomsnittet ble bra. Maskinlæring kan hjelpe oss ta valg om behandling som passer den enkelte pasientens behov bedre. Så er det fortsatt slik at behandlerne må bruke sitt kliniske skjønn ved siden av den statiske sannsynlighetsberegningen. De kan velge å bruke anbefalingen eller ikke, understreker Karine Frost.
“Maskinlæring kan hjelpe oss ta valg om behandling som passer den enkelte pasient”
Resultatforskjeller
– Kan du si noe om de foreløpige resultatene?
– Jeg må understreke at forskningsresultatene foreløpig ikke er publiserte eller er vurdert av fagfeller. Men vi har noen resultater hvor vi har sammenlignet to behandlingsmetoder. Resultatene viser at det er stor forskjell på optimal og ikke-optimal behandling. Dersom vi fra starten hadde kunnet velge den behandlingsmetoden som passet best for de ulike pasientgruppene, ser vi at vi ville fått et mye bedre resultat.
Redusere lidelse og kostnader
Frost mener metoden har et stort potensial – både for å finne raskere fram til den optimale behandlingsmetoden, men også for å redusere lidelse hos pasienten.
– Et tredje perspektiv er det samfunnsøkonomisk. Det brukes mye ressurser i helsevesenet. Dersom vi kan bruke helsepersonell og penger mer effektivt, vil det gi en god total utnyttelse for samfunnet.