AI matchar erfarna läkare på att upptäcka hjärnskador hos nyfödda — ny studie visar hög precision
AI upptäcker hjärnskador hos nyfödda lika träffsäkert som erfarna läkare.
När AI möter de mest sårbara patienterna
Det finns en sorts forskning som sätter allt i perspektiv. Inte för att den är mest spektakulär eller mest omskriven — utan för att den berör människoliv på det mest direkta sätt som finns. Två nya studier publicerade på arXiv illustrerar precis detta: AI som arbetar för oss i sjukvårdens allra svåraste stunder.
Låt oss börja med det som berör mig mest. En grupp forskare har utvecklat en AI-modell som kan diagnostisera hjärnskador hos nyfödda med en precision som matchar — och i vissa fall överträffar — erfarna kliniker. Modellen, som bygger på ett så kallat ConvNeXt-nätverk, analyserar EEG-inspelningar och letar efter lågspänningsintervaller, ett medicinskt mått på diskontinuitet i hjärnans elektriska aktivitet. Dessa mönster kan indikera allvarlig hjärndysfunktion och är avgörande att fånga tidigt.
Siffrorna är imponerande: modellen tränades på över 650 timmars EEG-data från 123 nyfödda och uppnådde ett AUC-värde på hela 0,996. I kliniska tester visade den starka samband med kramprisk och EEG-gradering, samt mätbara kopplingar till graden av hypoxi-ischemisk encefalopati — en allvarlig form av hjärnskada orsakad av syrebrist vid födseln. Forskarteamet ser automatiserad kvantifiering av dessa mönster som ett robust kliniskt verktyg för att bedöma hjärnskador hos nyfödda, och det är svårt att argumentera emot det.
Tänk på vad det faktiskt innebär: ett nyfödd barn på en intensivvårdsavdelning, läkare som arbetar under tidspress, och ett AI-system som kan ge en snabb, tillförlitlig bedömning dygnet runt — utan att vara beroende av om den mest erfarna neurologen råkar vara i tjänst just den natten.
Från födelserummet till vardagslivet med diabetes
Den andra studien rör en helt annan patientgrupp men med samma grundläggande ambition: att göra vården mer precis och mer rättvis. Kontinuerlig blodsockermätning används i allt bredare utsträckning inom diabetesvård, men det finns ett välkänt problem — AI-modeller som tränas på en patientgrupp presterar ofta sämre när de tillämpas på en annan. Delvis beror detta på att olika mätenheter ger något olika utslag, vilket förorenar modellens slutsatser.
Lösningen som presenteras kallas GlucoPRISM, och den är elegant i sin uppbyggnad. I stället för att behandla alla data som ett enda block delar metoden upp modellens interna representation i tre separata delar: en för patientens grundläggande egenskaper, en för dagliga variationer och en specifikt för mätenhetens tekniska särdrag. När modellen sedan används på en ny patientgrupp kan den enhetsspecifika komponenten enkelt filtreras bort — och kvar finns en mer generell och mer rättvisande bild av patientens blodsocker.
Resultaten är övertygande. Över tolv olika kombinationer av patientkohorter steg det genomsnittliga AUROC-värdet från 68,75 till 73,57 — en markant förbättring. Metoden validerades dessutom på en extern grupp med över 9 000 deltagare, där förbättringar syntes i 14 av 15 kliniska mätpunkter. Det är inte en marginell justering — det är en systematisk förbättring av hur AI kan fungera för verkliga människor med varierande bakgrund och olika teknisk utrustning.
Det gemensamma temat: AI som faktiskt levererar
Dessa två studier delar något viktigt: de representerar AI-forskning som går hela vägen från teori till klinisk relevans. Det handlar inte om att imponera på en benchmarktavla — det handlar om att lösa problem som läkare och patienter möter varje dag.
Som affärsutvecklare ser jag ett tydligt mönster: de AI-tillämpningar som skapar störst värde är de som adresserar flaskhalsar i befintliga system — bristen på specialistkompetens dygnet runt, de systematiska skevheterna som uppstår när modeller möter nya patientgrupper. Det är precis vad dessa genombrott gör.
Sjukvårdssektorn är konservativ av goda skäl — felmarginalerna är bokstavligen livsavgörande. Men när AI börjar uppnå expertlikvärdiga resultat och dessutom kan förklara och motivera sina slutsatser, förskjuts frågan från om AI ska användas till hur snabbt vi kan implementera det på ett ansvarsfullt sätt.
Vår analys
Dessa två studier är mer än tekniska framsteg — de är signaler om en strukturell förändring i hur sjukvård kan bedrivas. Det som slår mig är inte enbart precisionen i resultaten, utan skalbarheten i lösningarna. En AI-modell som matchar en erfaren neonatolog vid EEG-tolkning kan i princip distribueras till varje förlossningsklinik i världen. GlucoPRISM-metodiken löser ett fundamentalt problem med AI-generalisering som annars riskerar att göra avancerade verktyg otillgängliga för patienter utanför välfinansierade forskningssjukhus.
Utvecklingen pekar mot en framtid där AI inte ersätter läkaren — utan ger varje läkare tillgång till expertkunskap som tidigare var knuten till enstaka specialister. Det är en demokratisering av medicinsk kompetens. Nästa steg handlar om regulatoriska ramverk och klinisk implementering — där Sverige och Norden har en unik möjlighet att gå före och sätta standard för ansvarsfull AI i vården.