Kunstig intelligens og digitale løsninger i FHI
Artikkel
|Oppdatert
Hva gjør FHI på kunstig intelligens og digitale løsninger?
En rekke ulike miljøer og personer i FHI arbeider med kunstig intelligens (KI) og digitale løsninger. Under følger en oversikt over disse, samt kontaktinformasjon til de ansvarlige for de ulike funksjonene og prosjektene. Siden oppdateres fortløpende.
Det tverretatlige prosjektet «Bedre bruk av kunstig intelligens i helsetjenesten»
FHI er en aktiv deltager inn i arbeidet for bedre bruk av KI i helsetjenesten. Prosjektet ledes av Helsedirektoratet, og høsten 2023 arbeides det med delprosjektet «Rammer for kvalitetssikring».
Kontaktperson: Marit Erna Austeng
Arbeid med generativ KI i FHI, Chat GPT
Høsten 2023 arbeides det med retningslinjer for bruk av Chat-GPT internt i FHI.
Kontaktperson: Jasper Littman
Arbeid med KI i klynge for vurdering av tiltak
Maskinlæring i kunnskapsoppsummeringer
Maskinlæringsteamet (ML-teamet) i Klynge for vurdering av tiltak har siden sommeren 2020 evaluert og implementert maskinlæring i kunnskapsoppsummeringer. Undersøkelser gjort av ML-teamet har vist tidsbesparelser på minst 60 % i noen av arbeidsprosessene med kunnskapsoppsummeringer. Med maskinlæring produserer vi kunnskapsprodukter raskere samtidig som vi bevarer den samme høye kvaliteten som med gullstandardmetoder. Bruk av maskinlæring på de mest repetitive oppgavene, som vurdering av referanser på tittel og sammendragsnivå, gjør det mulig for forskere å prioritere de mer tankekrevende oppgavene i et prosjekt.
For å kontakte ML-teamet ved FHI, send oss gjerne en e-post.
Publikasjoner fra ML-teamet:
- Implementering av maskinlæring i kunnskapsoppsummeringer i klynge for vurdering av tiltak: Sluttrapport 2020-2021 og Sluttrapport 2021-2022
- Strategiforslag for videre implementering av maskinlæring i klynge for vurdering av tiltak: 2021-2022 og 2023
- Automating risk of bias assessment in systematic reviews: a real-time mixed methods comparison of human researchers to a machine learning system
- Machine learning in systematic reviews: Comparing automated text clustering with Lingo3G and human researcher categorization in a rapid review
- The effect of machine learning tools for evidence synthesis on resource use and time-to-completion: protocol for a retrospective pilot study
- A protocol to evaluate unsupervised text clustering to screen and categorize studies in systematic reviews
Litteratursøk og KI
Forskningsaktiviteten innenfor medisin og helsefag internasjonalt er stor, og mengden publikasjoner vokser raskt. Samtidig som det er en økt mengde av publikasjoner, har det kommet flere digitale verktøy med elementer av kunstig intelligens som ønsker å forenkle prosessen med litteratursøk. Høsten 2021 ble det opprettet et lag for automatisering av informasjonsgjenfinning, med formål om å kartlegge, eventuelt evaluere og implementere slike digitale verktøy. Rapporten fra dette arbeidet ble publisert i 2023:
Det er nå etablert et lag hvor det skal gjøres en evaluering av katalogen OpenAlex for å undersøke hvordan denne søkekilden kan påvirke dagens søkepraksis. Arbeidet er planlagt å ferdigstilles i løpet av 2023.
Metodevarsling og KI
Et metodevarsel er en kort beskrivelse av en ny metode og status for dokumentasjon. FHI har nasjonalt ansvar for metodevarsling, og drifter publiseringsplattformen MedNytt.
I tillegg søker metodevarslingslaget månedlig etter andre internasjonale søsterorganisasjoners arbeid innen kunstig intelligens. Disse søkefunnene publiseres også i MedNytt, som lenkelister - og ligger i samme utvalg som over.
Kontaktperson for metodevarsling i FHI er Marit Erna Austeng.
Metodevurdering og KI
Medisinsk metodevurdering (Health Technology Assessment, HTA) er en tverrfaglig prosess som bruker eksplisitte metoder for å bestemme verdien av medisinske metoder på forskjellige punkter i deres livssyklus. Hensikten er å informere beslutninger og å fremme et rettferdig og effektivt helsevesen av høy kvalitet.
Eksempel på metodevurdering om kunstig intelligens og digitale løsninger i FHI:
Kontaktpersoner for metodevurdering i FHI er Martin Robert Lerner og Kjetil Gundro Brurberg.
Mini-metodevurdering og KI
Mini-metodevurdering er kunnskapsbasert beslutningsstøtte for sykehus og kommuner ved innføring av nye metoder. FHI er nasjonal ressursgruppe for mini-metodevurdering, og drifter også databasen for mini-metodevurdering.
Kontaktperson for mini-metodevurdering er Helene Arentz-Hansen.
Folkehelse i kommunene og KI
Folkehelse i kommunene jobber med digitale løsninger for å effektivisere arbeid. En oversikt over disse digitale løsningene ligger i Github (Helseprofil; Folkehelseprofilene for fylker, kommuner og bydeler i Norge).
Arbeid med KI andre steder i FHI
Her vil vi fortløpende publisere en liste med lenker til miljøer og prosjekter i FHI som omhandler KI og digitale løsninger.
- Smartere arbeid, ikke hardere arbeid, med maskinlæring i Folkehelseinstituttet
- Strengthening the patient voice in health service evaluation: machine learning on free text comments from surveys and online sources - Prosjektbanken (forskningsradet.no)
- Vitenskapskomiteen for mat og miljø i FHI er norsk partner i det polske prosjektet «Machine Learning-based systems for the automation of systematic literature reviews in food safety domain» (krever innlogging). Målet med prosjektet er å gi forskere og alle som gir myndigheter vitenskapelige råd som støtter politikkutvikling et verktøy for litteratursøk og vurdering som vil redusere bruken av tid og menneskelige ressurser samtidig som det gir akseptabel sensitivitet og spesifisitet
- Maskinlæring og kunstig intelligens metodikk innen epidemiologi, genetikk og modellering
- Historiske registre
- AI og helseinformasjon til ungdom
FHI og KI - i nyhetsbildet
Hva skrives om FHI og KI og digitale løsninger? Her vil vi fortløpende lenke til nyheter, artikler mm. der FHI sitt arbeid med KI og digitale løsninger nevnes.
Kurs om KI utenfor FHI
Hva rører seg på KI utenfor FHI? Her vil vi fortløpende publisere tips om og lenker til miljøer vi kommer i kontakt med.
- Research School - NORA - Norwegian Artificial Intelligence Research Consortium
- PhD course, Odense University Hospital (August 12-16 2024): “Research methods in digital health technology"
Intervju med en ansatt
Navn:
Alexandra (Sasha) Poulsson
Hva jobber du med?
Systemutvikling, internasjonalt arbeid og metodevurdering av medisinsk utstyr.
Hvordan ble du introdusert til Maskinlæring (ML)?
«Jeg visste om maskinlæring generelt, men ikke hvordan det praktisk kunne hjelpe meg i jobben. Maskinlæringsuka i klynge for Helsetjenester, en uke der ca. 70 personer ble introdusert for maskinlæring, ga meg en lavterskel introduksjon. Målet for uka var å se hvordan vi i økende grad kunne bruker ML i alle typer kunnskapsoppsummeringer, for å «erstatte oss selv» i gjentagende oppgaver - uten å gå på bekostning av kvalitet. ML kan hjelpe oss å levere viktige svar raskere. Det som ikke endres er at vår kompetanse, erfaring, og kritiske tenking fremdeles vil være essensiell for å utføre oppgavene våre. Beskrivelsen for uka var at kunnskapsoppsummeringene vi utarbeider skal ha høy kvalitet, og at ingen av oss som jobber med dem skal bli kodere eller programmerere.
ML-uka bestod av en blanding av foredrag og workshops, med god støtte underveis fra ML-laget internt i FHI. I workshopene fikk vi prøve oss på noen av de verktøyene vi har tilgjengelig i FHI, eller som ligger gratis på nettet. Noen av programmene vi ble introdusert til var EPPI Reviewer, og nettverktøy som Carrot clustering tool.»
Hva opplevde du var den største fordelen med bruk av ML i arbeidet ditt med omikron?
«Jeg jobbet med innsamling av alle vitenskapelige publikasjoner relatert til omikronvarianten av Covid-19, for å hjelpe Avdeling for Smittevern og andre som jobbet med pandemien i FHI og internasjonalt. Søket var gjentagende, tok lang tid for oss som arbeidet med det og hadde begynt å gå ut over andre prosjekter. Mellom desember 2021 og mars 2022 hadde vi identifisert 1400 vitenskapelige artikler. Oversikten over dette hadde vi i et Excel-ark, som vi distribuerte rundt - først daglig, og så ukentlig under den mest kritiske perioden av omikron-utbruddet.
Da vi gikk til ukentlige søk og manuell kategorisering, tok det 2 personer til sammen ca. 2 ½ arbeidsdag å gjøre dette. Ved bruk av ML, og etter å ha laget tilpassede klassifiseringsverktøy, kunne vi publisere søket på ca. ½ dag. Vi sparte rett og slett store mengder tid. Søkene ble så publisert på en tilrettelagt webside, der man lett kunne søke opp det man var interessert i. Siden er ikke lenger oppdatert, men det vil ikke ta lang tid å oppdatere den, dersom det skulle bli behov for det. Denne arbeidsprosessen kan også raskt adapteres til den neste varianten av korona, og brukes til overvåking av sykdommer eller forskning på andre felt.
Ved å spare mye tid på rutinearbeid, ga ML oss muligheten til å fokusere på andre viktige oppgaver med arbeidet vårt.»
Hvordan bruker du ML i dag?
«Jeg bruker nå ML der jeg kan, og prøver å se hvor nye verktøy kan brukes på gjentagende og tidkrevende oppgaver. Et eksempel her er et ML-verktøy som lærer seg hvilke typer artikler fra et søk du er interessert i. Basert på de artiklene du til enhver tid inkluderer, fremmer ML-verktøyet de mest relevante treffene i «køen» for deg, likt algoritmer enkelte sosiale medier bruker. Men, i stedet for store mengder irrelevant clickbait, så fremmer ML her den relevante forskningen du er interessert i.»
