När Sunil Kumar, som har sin bakgrund inom industriforskning och som arbetar med biomedicinsk signalbehandling, kom till Sverige för två år sedan efter arbete i Norge och Belgien blev han varse hur vanligt adhd är här. Han började fundera på om hans kompetens inom AI på något sätt kunde bidra.

I dag kan en adhd-utredning ta upp till sex månader och kräver omfattande observationer och samtal. Trycket på barn- och ungdomspsykiatrin är skyhögt och Socialstyrelsen har larmat om att adhd-utredningar slukar en allt större del av resurserna.

– Om vi kan snabba upp processen, genom att se vilka barn som har låg sannolikhet för adhd och utifrån det göra en första sortering, då frigör vi tid för att fokusera på de barn som verkligen behöver en fullständig utredning. På så sätt blir arbetet mer effektivt, förklarar Sunil Kumar när Special Nest ringer upp honom.

 

Hög träffsäkerhet, men mer forskning krävs
Eftersom forskargruppen ännu inte har direkt samarbete med sjukvården har de arbetat med öppen tillgängliga data. Utifrån dessa data har de utvecklat en modell som kan skilja på hjärnaktivitet hos barn med adhd och hos kontrollgrupper utan adhd.

– Vi fick ganska snabbt bra resultat och kunde se en tydlig skillnad. Men vi behöver fortfarande mycket mer data, helst från Sverige, säger Sunil Kumar.

Tekniken bygger på EEG – elektroencefalografi – där små sensorer på huvudet registrerar hjärnans elektriska signaler när barnen utför olika visuella uppmärksamhetsuppgifter. Dessa signaler analyseras sedan av en AI-modell som har tränats på att hitta mönster i hjärnaktiviteten som är typiska för adhd. Resultatet blir en sannolikhetsbedömning. I testerna har metoden nått en träffsäkerhet på omkring 90 procent, berättar Sunil Kumar.

– Det är lovande men vi måste ligga ännu högre, på minst 96–97 procents träffsäkerhet, för att osäkerheten inte ska bli för stor. Så det här är bara en början.

 

Ett hjälpmedel vid utredning
Frågan är hur säkert ett AI-verktyg kan vara. Kan det riskera att felaktigt diagnostisera ett barn – eller missa symtom? Det kan fortfarande förekomma vissa felklassificeringar, liksom med många AI-system, konstaterar Sunil Kumar.

– Precis som med självkörande bilar har vi ännu inte uppnått 100 procent noggrannhet. Vi behöver ytterligare förbättra systemets prestanda och minimera felen så mycket som möjligt, säger han och understryker också vikten av mer svensk data, för att bättre kunna förebygga felbeslut.

I sin nuvarande form är metoden som forskas fram tänkt som ett hjälpmedel, inte som en ersättning för den sedvanliga kliniska bedömningen.

– Vi försöker förenkla läkarens arbete till viss del. Men vi ingenjörer kan bara bygga modellen, i slutändan måste alltid läkarna göra hela utredningen och avgöra diagnosen, säger Sunil Kumar.

Omkring 5 procent av de unga och 2,5 procent av de vuxna i Sverige har enligt Socialstyrelsen en adhd-diagnos, och andelen med adhd ser dessutom ut att öka framöver. Sunil Kumar ser en stor potentiell nytta med den nya metoden. AI-modeller används redan med stor framgång inom till exempel epilepsi och bildbaserad diagnostik.

– Det kommer ta tid, men jag tror att vi kan nå långt även inom adhd-utredningar, säger han.