AI-verktyg förbättrar diagnostik och patientprognoser i resursbegränsade hälsovårdsinställningar
Forskare vid Duke-NUS Medical School har anpassat AI-modeller för att förbättra diagnostik och patientprognoser i resursbegränsade miljöer. Målet är att öka tillgången till vård och precisionen i beslutsfattandet.
Singapore, 27 januari 2026 – Forskning från Duke-NUS Medical School och dess samarbetspartner visar hur artificiell intelligens (AI) kan förbättra hälsovården i utmanande miljöer. Forskarna har framgångsrikt anpassat en avancerad AI-modell för att förutsäga neurologisk återhämtning efter hjärtstopp hos patienter i en resursbegränsad hälsovårdsmiljö.
Metoden som beskrivs i publikationen npj Digital Medicine använder sig av "transfer learning" (överföringsinlärning). Denna avancerade AI-teknik möjliggör anpassning av modeller tränade på stora datamängder till nya miljöer med mindre lokal data. Metoden är särskilt relevant för låg- och medelinkomstländer där datainsamling är svår. En modell som ursprungligen utvecklades i Japan för att förutsäga återhämtning hos 46 918 patienter anpassades sedan för en kohort på 243 patienter i Vietnam.
Den anpassade modellen förbättrade precisionen avsevärt och kunde skilja mellan högrisk- och lågriskpatienter med cirka 80 procents noggrannhet, jämfört med den ursprungliga modellens cirka 46 procents noggrannhet i den vietnamesiska kontexten. Biträdande professor Liu Nan från Duke-NUS framhöll att "transfer learning" kan minska kostnader, förkorta utvecklingstiden och utvidga AI:s fördelar till hälsovårdssystem med färre resurser.
AI:s potential sträcker sig även till andra applikationer. I en separat studie publicerad i Nature Health undersökte forskare från Duke-NUS och University College London (UCL) hur stora språkmodeller (LLM) kan användas för att främja global hälsa. LLM:er har potential att förbättra tillgången till vård, diagnostik och kliniskt beslutsfattande i regioner med brist på specialistläkare. Exempel inkluderar en chatbot för graviditetsinformation och mobilbaserade applikationer för att upptäcka malaria.
Forskarna noterade dock att AI-utvecklingen fortfarande är koncentrerad till höginkomstländer. Många låg- och medelinkomstländer står fortfarande inför hinder som bristande infrastruktur och expertis. Dessutom behövs tydligare ramverk för reglering för att säkerställa säker och etisk implementering av AI. En forskargrupp ledd av Duke-NUS föreslår därför inrättandet av ett internationellt konsortium för att vägleda regleringen av AI inom hälsovården.