LØRN case C0057 -
LØRN. STARTUP

Petter Risøe

Lege, styreleder og produktsjef

Diffia

AI kan gjøre helsetilbudet bedre

I denne episoden av #LØRN snakker Sunniva med tidligere lege og nå styreleder og produktsjef i Diffia AS, Petter Risøe. Etter å ha blitt vist et enkelt nevralt nettverk-basert spill begynte Petter å undersøke hvordan maskinlæring kunne brukes innen helsesektoren. Diffia og deres løsning «Nimble» ble dermed skapt for å gi helsepersonell en intelligent assistent rett i lomma. I episoden forteller Petter mer om potensialet AI har til å effektivisere, gjøre sykehus papirløs og potensielt løse en stadig mer krevende ressurskabal. Han forteller også om hva som er nedsidene med AI og maskinlæring.
LØRN case C0057 -
LØRN. STARTUP

Petter Risøe

Lege, styreleder og produktsjef

Diffia

AI kan gjøre helsetilbudet bedre

I denne episoden av #LØRN snakker Sunniva med tidligere lege og nå styreleder og produktsjef i Diffia AS, Petter Risøe. Etter å ha blitt vist et enkelt nevralt nettverk-basert spill begynte Petter å undersøke hvordan maskinlæring kunne brukes innen helsesektoren. Diffia og deres løsning «Nimble» ble dermed skapt for å gi helsepersonell en intelligent assistent rett i lomma. I episoden forteller Petter mer om potensialet AI har til å effektivisere, gjøre sykehus papirløs og potensielt løse en stadig mer krevende ressurskabal. Han forteller også om hva som er nedsidene med AI og maskinlæring.
Facebook
Twitter
LinkedIn
Email

20 min

Choose your preferred format

SR: Hei! Du lytter til Lørn.tech og tema i dag er kunstig intelligens. Med meg for å lære oss om dette i dag, har jeg Petter Risøe som er styreleder og produktsjef i Diffia AS. Velkommen hit.

PR: Tusen takk.

SR: Du må nesten fortelle litt om din bakgrunn, og hvordan du endte opp i kunstig intelligens. Fordi det er kanskje ikke det jeg tenker på som den vanligste veien inn i det temaet.

PR: Jeg har bakgrunn som lege, og har jobbet i en god del år som lege på sykehus, men jeg har alltid vært teknologiinteressert. På et tidspunkt for mange år siden, så viste han som nå er min co-founding partner, et enkelt lekespill basert på et nevralt nettverk, og da ble vi sittende og tenke på hva man kan bruke maskinlæring til i helse.

SR: Nå må jeg stoppe deg her. Nevralt nettverk, hva er det?

PR: Nevralt nettverk er egentlig en oppfinnelse som ligger langt tilbake i tid, når man for mange år siden begynte å lure på om man kunne lage en maskin eller et dataprogram som imiterer den menneskelige hjerne. Inspirert av nevronene i hjernen, så prøver man å imitere noe av det samme. Og det ligger jo til grunn i mange moderne systemer vi har sett, og maskinlæring har mye av dette i seg. Hvor man prøver å lage mange små, kunstige nevroner, på samme måte som biologien, for å klare å tolke data og forutse ting.

SR: Er dette med nevrale nettverk en metode for maskinlæring? Kan man si det sånn?

PR: Nå skal jeg være forsiktig, fordi akkurat på dette med begreper er nok andre bedre enn meg, men det er nok en metode eller en måte å fremlegge et resultat på, av en rekke forskjellige måter.

SR: Så han som er din co-founder viste deg et spill basert på nevrale nettverk. Og så?

PR: Og så, tenkte vi at det er ganske mye som man kan bruke maskinlæring til for å gjøre helse bedre og tilgjengelig for folk. Så var det en lang modningsprosess, fordi det første folk tenker er at nå kan maskinen diagnostisere. Men da man prøvde å sette det i noe mer håndfast, så ville man se at folk hadde prøvd det i mange tiår, og det er mange grunner til at man ikke har lykkes. Samtidig, når man begynte å jobbe, så man at det var ganske mange andre ting man gjorde i helsevesenet, og mange av de er ikke avanserte, men ligger veldig godt til rette for maskinlæring. Så det vi jobber med er hvordan man kan bruke maskinlæring til å automatisere dokumentasjon, og rette oppgaver. Det er en mye større del av en ressursbruken, enn det som folk tenker på når de tenker på helsevesenet.

SR: Ja, fordi vi tenker liksom Greys Anatomy, og legene som er hos pasientene hele tiden.

PR: Det er jo det man ser på TV, men i realiteten så er det ikke sånn at legene sitter med en kopp kaffe i et hjørne i ett kvarter, og filosoferer over diagnostikk. I realiteten ser norske leger sine pasienter omtrent 40 prosent av tiden. Mindre enn halvparten. Så det går mye tid i form av å skrive rekvisisjoner, se etter informasjon i journaler, fylle ut rapporteringer, bestille prøver, og ikke minst logistikk. Altså hvor skal pasienten være i neste ledd, og de fleste pasienter som kommer inn har jo folkesykdom, det er mennesker med en kjent sykdom eller en forverring av noe annet. Det er ikke nødvendigvis det diagnostiske som er komplisert.

SR: Det er vel veldig få som ikke har en av folkesykdommene, og så kommer med noe helt spesielt.

PR: Det er også veldig viktig, og kan være krevende, men volummessig, så er ikke det et så stort problem som alle de som kommer inn med noe kjent, og som krever masse ressurser. Og da er det mer hensiktsmessig å rette oppmerksomheten mot hva man kan gjøre for det store. Vi blir eldre, vi lever lenger og vi har flere sykdommer i våre siste år. Og vi som samfunn har egentlig problemer med å få denne ressurs-kanalen til å gå opp. Altså eldrebølgen, som mange prater så mye om, politisk. Vi har ikke en god måte å løse det på hvis vi fortsetter sånn som i dag. Da får man sånne absurde projeksjoner hvor en tredjedel av befolkning må jobbe i helsevesenet.

SR: Da høres det ganske dumt ut at legene skal bruke 60 % av tiden sin på ikke å være med pasienten. Og utifra dette ble deres selskap født?

PR: Så finner vi ut hvordan man gjør det. Når man tenker på eksempler, så kan man se at vi har endt på samme sted som et av verdens største AI-selskap, Deepmind. Og Deepmind er kjent for mange, fordi det er de som lagde Alpha Zero. Et system som i løpet av veldig kort tid, ved å spille med seg selv, ble et av verdens beste i sjakk og Go. Så ble de kjøpt opp av Google, og er først og fremst kjent som er AI-selskap. De har også beveget seg inn i helsetjenesten, og vi kjenner oss veldig igjen i den reisen de hadde, fordi da de kom inn i helsetjenesten, tenkte de som AI-selskap at de skal bruke kunstig intelligens for å gjøre helsetjenesten bedre. Så fant de ut av det man egentlig vet hvis man jobber som helsepersonell, og det er at det er et miljø hvor papiret sendes i taxi, og det brukes fax. For noen år siden sendte jeg informasjon på en tre-tommers diskett i posten. Det er fryktelig mange papirer og skjemaer som fortsatt er i full bruk. Og det er ikke så lett å lage kunstig intelligens med informasjon som finnes på papir.

SR: Nei, fordi du må ha data for å lage kunstig intelligens på et format som du faktisk kan jobbe med.

PR: Og der har man det som gjør at det er så stor forskjell mellom veldig mye hype rundt kunstig intelligens i helsevesenet og situasjonen slik den er i dag, fordi hvis man kommer fra en annen bransje, så har man en tendens til å tenke at dataene er slik de er mange andre steder. Grunnen til at maskinlæring og kunstig intelligens fungerer godt på internett, er fordi man har mye data som er strukturert, og som man klarer å sende fra ulike kilder og flytte dem. Dette er problemer som helsevesenet ikke egentlig har mestret. Du får ikke gjort big data, hvis du har et small data problem.

SR: Dataene finnes egentlig, men de finnes i et fryktelig dårlig og uhåndterlig format.

PR: Og de har ofte lavere kvalitet, enn hva folk tror. Det står ofte mye rart i journaler som ikke stemmer. Akkurat som man kanskje vet hvis man er helsepersonell, så fant Deepmind det ut også. At man må ta samme retning som vi gjorde, altså vår målgang prosess, nemlig at man må fokusere på brukerbehov, data, hvilke konkrete problemer som løses og få dette ned på et jordnært plan. Så ender man ofte opp med å lage systemer som er egnet for å håndtere data, og strukturere det på en god måte, slik at man kan gjøre ting med maskinlæring for å utnytte potensialet.

SR: Nå er ting ikke helt sånn som man ser for seg. Man har dårlig data, og så videre. Og da kan man lure på om det går det i det hele tatt, men jeg tror også at det er muligheter her. Hva er spennende? Hva kan vi gjøre med det?

PR: Det som er spennende er jo at dette er et løsbart problem, og noe som over tid blir bedre. Det har tatt veldig lang tid, og det er ikke der enda, men vi ser jo at det går i riktig retning for data, særlig for det offentlig, hvis man er flink til å tenke åpne datamodeller, og grensesnitt-flater. At man tenker at data skal brukes. Og være tilgjengelig, ikke bare som et stort arkiv med scannede PDF’er, men som dataelementer som man flyttes og utnyttes av andre systemer.

SR: Man skal ikke ha data bare for å ha data, og at man må kunne bruke det til noe også.

PR: Systemene i helsevesenet må være noe annet enn stønn på papir. Og hvis man prøver å lage akkurat de samme papir tingene, og bare digitaliserer dem, så utnytter man ikke helt potensialet. Men helsevesenet går i denne retningen, så på sikt tror vi at maskinlæring har et fantastisk potensiale for helse. Ikke minst til gjøre det, fordi man tenker at helse er en menneskerettighet, for å gjøre det mer tilgjengelig, mindre ressurskrevende, og for å gjøre det mulig for de i verden som har et dårlig helsetilbud i dag.

SR: Kan du si litt om hvilke problem dere egentlig løser? Du har sagt at du brukte 60 % av tiden din på ikke å være med pasientene. Er det et problem dere løser eller prøver å løse?

PR: Problemet er egentlig dokumentasjon og rutineoppgaver som tar mye ressurser, men som egentlig ingen synes er morsomt å gjøre. Og da gjøres det ofte ikke med den beste kvaliteten. Så å få det over i en form, både som er lettere å behandle og lettere å bruke, og å gjøre det tolkbart for maskiner, sånn at disse oppgavene kan automatiseres.

SR: Kan du komme med et eksempel?

PR: Et godt eksempel er når man kommer inn med en spesiell tilstand, og det skal bestilles masse prøver. Og i slike prøver, når man må gjette seg frem til dem, eller fylle ut et bestemt mønster, så er det en oppgave som maskinen kan lære seg ganske kjapt.

SR: Fordi du følger en oppskrift eller en algoritme for å bestille disse prøvene?

PR: Men da må maskinen forstå hva slags pasient-mønster det er, og hvorfor. Disse problemene er så store i helsevesenet, at det ofte er der det er så vanskelig å få det over i en god form.

SR: Hvorfor er kunstig intelligens skummelt? Er det noe skummelt med kunstig intelligens?

PR: Det er stort potensiale for mange oppsider, men det er også noen faresignaler. Samfunnsmessig er man opptatt av at den bruken av personalisering med maskinlæring som man ser på internett, har jo vist seg å lede til ekkokammeret, og at man snevrer inn sin egen oppmerksomhet. Og det skaper splid som er en trussel mot demokratiet, og det er jo en bekymring som er i utvikling.

SR: På Facebook, for eksempel, så ser du aller mest av de tingene fra folk som du er enig med, og det er veldig behagelig.

PR: Det er veldig behagelig, og det er fint for underholdning, men det har potensiale til å være ganske destruktivt for samfunnsdebatten. Og når det gjelder helse, så må man være forsiktig slik at man ikke bygger inn dagens systematiske feilslutninger som vi mennesker gjør, inn i systemene.

SR: Hva mener du med det?

PR: Det er et ganske kjent eksempel hvor bedrifter har prøvd å automatisere ansettelser og sortere et stort antall søknader. Men hvis det selskapet i de siste ti årene har vært veldig dårlig på å ansette kvinner, så vil maskinen lære seg at de ikke ansetter kvinner, og at det riktige svaret her er å sortere bort alle de søknadene som nevner ordet “woman”. Tilsvarende for helse, så er det sånn at mennesker ikke er veldig intuitive på sannsynligheter og statistikk. Også oss leger, som egentlig er selektert for en ting, og det er at de er bok-flinke, men som også er faglige og habiler, men som vi allikevel ser at sliter med basale tolkninger. Som at det at en test er 99 % sikker, det betyr ikke at et positivt prøvesvar med 99 % betyr at du har det. Det som er forskjellen på hvor pålitelig en test er, og sannsynligheten for at du har en sykdom hvis du får en positiv test, som ofte er mye lavere, er vanskelige ting for mennesker, og derfor gjør vi systematiske feilslutninger. I det daglige i helsevesenet.

SR: Så dette er noe vi som mennesker gjør hele tiden?

PR: Og vi risikerer å lære opp maskinen til å gjøre akkurat det samme. Og tilsvarende, så er det jo sånn at medisin skifter ganske mye. Det som var riktig for fem eller ti år siden, er ikke nødvendigvis riktig mer. Og det er klart at hvis man har brukt mye tid på å lære noe, og forståelsen endrer seg, så hvordan skal man behandle et problem? Når det viste seg å ikke være så smart å gjøre det sånn? Så det blir tungt å endre det når du har lært opp maskinen, når den egentlig bare råder deg til å gjøre gårsdagens behandling?

SR: Det høres slik ut for meg, at det er viktige hva slags data man setter inn i et program, men også hva slags spørsmål man stiller. Sånn som dette med ansettelse, at den ser hvem som var suksessfulle, og at det var menn, så derfor vil den ansette menn. Fordi dataprogrammet gir et nøyaktig svar på det du ber den om å gjøre, men det å definere kriteriet for suksess i et program er utrolig viktig å forstå.

PR: Medisin er et komplisert fagfelt, og det er en grunn til at man i gamle dager kalte det legekunst. Man merker det når man jobber med det, at det ikke er et selvsagt fag vi har, selv om vi kan mye om kroppen og vi lærer mye mer, men samtidig er det veldig mye vi ikke fortsatt vet. Det er veldig mye som er usikkert. Hvis man har en forskningsbakgrunn, så vil man merke at dokumentasjonen for mye av det vi gjør i helsevesenet ikke alltid er så god. Og det er en utfordring at man ikke alltid nødvendigvis har fasitsvaret, og at fasitsvaret endrer seg over tid. Det er en utfordring på mange måter når man da skal lære opp maskiner til å gjøre det samme. De blir flinke til å gjøre som oss.

SR: Ja, fordi de lærer også våre feil.

PR: De lærer også våre feil, så hvis vi systematisk gjør noe feil, så vil også maskinen systematisk gi oss gale råd.

SR: Og si at med veldig stor sannsynlighet, så er det dette som er svaret.

PR: Det betyr bare at man må ha et bevisst forhold, og gå tilbake og se på dataene, tenke mye på hva man gjør og hvilke råd man får ut av det.

SR: Det betyr ikke at det er ubrukelig å gjøre det, man må bare vite veldig godt hva man gjør og hvilke spørsmål man stiller. Jeg merker at jeg kunne ha pratet med deg veldig lenge, men vi må begynne å runde av. Hvis lytterne har lyst til å lære mer om kunstig intelligens, enten generelt eller spesielt mot helse, har du noen tips til hva de burde gjøre, se eller lese?

PR: Det er mange som har gode ressurser med kunstig intelligens, men hvis man skal ta det som er spesifikt i forhold til helse, så er det viktig å i tillegg til å lære seg om kunstig intelligens og maskinlæring, også fornuftig å tenke på data og bli god på å håndtere data, og tenke på bias, altså systematiske feilslutninger. Også er vi veldig opptatte av at hvis dette skal ha mening, så må det løse konkrete problem. Så en ting er å snakke med de som bruker det, og de som trenger det. Og å snakke mye. Vi bruker mye mer tid på å snakke med ansatte i helsevesenet om deres problemer og deres arbeidshverdag, enn vi bruker på å sitte og tenke på algoritmer.

SR: Det er vel en viktig ting man kanskje glemmer litt i dag, fordi man tester, finner ut og lager et eller annet som funker.

PR: Vi synes det var en veldig stor evaluering, da vi så at et av verdens store internasjonale selskaper med store ressurser, sånn som Google, egentlig har endt på samme konklusjon. At man må være så fokusert på teknologien, men i stedet gjøre de tingene som handler, vel så mye, om design og designtenkning.

SR: Hvis lytteren ikke husker alt vi har sagt, men skal huske en ting fra vår samtale. Hva tenker de at de skal huske om kunstig intelligens?

PR: At kunstig intelligens i helse har et enormt potensiale. Vi tror at det kommer til å gjøre helse utrolig mye mer tilgjengelig, og utrolig mye bedre. Særlig også for de som ikke har et helsetilbud i dag. Fordi det kan være lettere å skalere opp maskiner, og digitale tjenester, enn det å lære opp dyrt personell. Også er det samtidig slik at det er et felt hvor det er mye hype, og veldig mye iver. Så alt må vende tilbake til om det er et meningsfylt, om det er et stort problem, og hva det egentlig er man løser. At man ikke lar seg rive for mye med annen teknologi, og koker det ned til hva det gjør for folk.

SR: Nemlig. Tusen takk til deg, Petter Risøe, for at du kom hit og lærte meg mer om kunstig intelligens. Og takk til deg som lytttet.

 

 

Hva gjør dere på jobben?

Det hadde selvfølgelig vært mest sexy om vi satt på kontoret og finpusset på fancy algoritmer, men i virkeligheten går hverdagen til behovskartlegging, designarbeid, sikre datatilgang, utvikling, personvern, informasjonssikkerhet, kapitalinnhenting, og veldig mange møter.

Hva er de viktigste konseptene i AI?

Kort fortalt er et AI et system som gitt en situasjon - en kontekst - velger en handling som leder til et eller annet gunstig utfall, nå eller i fremtiden. Det er mye som ligger i denne definisjonen, for eksempel hvordan gjenkjenne situasjoner, hvilke handlinger er mulige/lovlige og om utfallet leder til fremtidige gunstige situasjoner.

Hvorfor er det spennende?

Nå er jeg teknologioptimist, og tanken på alt vi kan få til med AI er spennende i seg selv. Tenk hva menneskeheten kan få til hvis flere får mer tid til å ikke sitte med repetitive eller lettere kognitive oppgaver som i dag opptar oss. Det er en klisjé, men når bilene kom forsvant hestene, og den tredje industrielle revolusjon - digitaliseringen - har gitt høyere levestandard, en lang rekke nyttige nyvinninger og en bedre verden.

Hva synes du er de mest interessante kontroverser?

På et filosofisk plan er det interessant om vi noensinne vil få en selvbevisst AI med reelle subjektive opplevelser. I et mer nærliggende perspektiv er det bruk av maskinlæring til personalisering av internettselskap.

Ditt eget selvlaget beste eksempel på AI?

Det vi jobber med hver dag på kontoret, Nimble, den intelligente assistenten for helsepersonell.

Dine andre favoritteksempler, internasjonalt og nasjonalt?

Vi er veldig imponert over DeepMind av to årsaker. Den åpenbare er arbeidet med Alpha Zero, et system som kun ved hjelp av spilling mot seg selv etter relativt kort tid blir på nivå med verdens beste spillere i sjakk. Det andre er arbeidet de gjør med Streams for helsevesenet i Storbritannia.

Hva gjør vi unikt godt i Norge av dette?

I helsesektoren er vi unikt gode på å snakke om hvilke unikt gode forutsetninger Norge har.

Et favoritt AI sitat?

Big data is like teenage sex; everyone talks about it, nobody really knows how to do it, everyone thinks everyone else is doing it, so everybody claims they are doing it.

Petter Risøe
Lege, styreleder og produktsjef
Diffia
CASE ID: C0057
TEMA: AI AND BIG DATA TECHNOLOGY
DATE : 181020
DURATION : 20 min
LITERATURE:

Bloggen Slate Star Codex

YOU WILL LØRN ABOUT:

AIHelseteknologiNasjonale og internasjonale eksempler

QUOTE
"AI må ikke nødvendigvis innebefatte læring, men mye av det mest spennende med fagfeltet er bruken av maskinlæring til å få et AI-system til å lære av feil og forbedre seg uten eksplisitt programmering."
More Cases in topic of AI AND BIG DATA TECHNOLOGY
#C0045
AI AND BIG DATA TECHNOLOGY
Digitale tvillinger

Michael Link

Forsker

Kongsberg

#C0044
AI AND BIG DATA TECHNOLOGY
Big Data og geometrisk modellering

Heidi Dahl

Forsker

Sintef

#C0043
AI AND BIG DATA TECHNOLOGY
Slik kan Big Data predikere fremtiden

Sverre Kjenne

Leder

BaneNor