Ny AI-modell förbättrar diagnostiken vid MS

För att kunna ge rätt behandling vid MS är det viktigt att veta när sjukdomen övergår från skovvis till sekundärprogressiv form, en övergång som idag identifieras i genomsnitt tre år för sent. Forskare vid Uppsala universitet har nu tagit fram en AI-modell som med 90 procents säkerhet kan avgöra vilken variant patienten har. Modellen ökar möjligheten att sätta in rätt behandling i tid och därmed bromsa sjukdomsförloppet.

Multipel skleros, MS, är en kronisk, inflammatorisk sjukdom i centrala nervsystemet. I Sverige finns det cirka 22 000 personer som lever med MS. De flesta patienter börjar med den skovvisa formen (RRMS), som kännetecknas av episoder av försämring med mellanliggande perioder av stabilitet. Med tiden övergår många till sekundärprogressiv MS (SPMS), där försämringen istället sker gradvis och utan tydliga skov. Att identifiera denna övergång är viktigt eftersom behandlingarna skiljer sig mellan de två olika formerna av MS. Idag ställs diagnosen i genomsnitt tre år efter att övergången skett, vilket kan leda till att patienter får läkemedel som inte längre är effektiva.

Baserad på svensk MS-data

Den nya AI-modellen sammanfattar kliniska data från över 22 000 patienter i det svenska MS-registret. Modellen bygger på data som redan samlas in vid vanliga vårdbesök, som neurologiska tester, magnetkameraundersökningar (MRI) och pågående behandlingar.

− Genom att känna igen mönster från tidigare patienter kan modellen avgöra om en patient har den skovvisa formen eller om sjukdomen har övergått till sekundärprogressiv MS. Det som är unikt för modellen är att den även anger hur säker den är på varje enskild bedömning. Detta innebär att läkaren får veta hur hög tillförlitligheten är och hur säker AI:n är på sin bedömning, säger Kim Kultima som lett studien.

Träffsäkerhet på 90 procent

I studien, som nu publicerats i tidskriften Digital Medicine, identifierade modellen övergången till sekundärprogressiv MS korrekt eller tidigare än vad som dokumenterats i patientjournalen i nästan 87 procent av fallen, med en generell träffsäkerhet på cirka 90 procent.

– För patienterna innebär det att diagnosen kan ställas tidigare, vilket gör det möjligt att anpassa behandlingen i tid och bromsa sjukdomens utveckling. Samtidigt minskar risken för att patienter får läkemedel som inte längre är verksamma. På sikt kan modellen också användas för att identifiera lämpliga deltagare till kliniska studier – något som kan bidra till mer effektiva och individanpassade behandlingsmetoder, säger Kim Kultima.

En öppen, anonymiserad version av modellen finns nu tillgänglig för forskare via webbtjänsten: https://msp-tracker.serve.scilifelab.se

Artikel

Sreenivasan, A.P., Vaivade, A., Noui, Y. et al. Conformal prediction enables disease course prediction and allows individualized diagnostic uncertainty in multiple sclerosis. npj Digit. Med. 8, 224 (2025). DOI: 10.1038/s41746-025-01616-z

Kontakt

Kim Kultima, forskare vid Institutionen för medicinska vetenskaper, Uppsala universitet
E-post: kim.kultima@medsci.uu.se
Telefon: 073-396 18 44

Finansiärer

Studien har möjliggjorts tack vare forskningsstöd från Vetenskapsrådet, NEURO Sweden, FORMAS, Region Uppsala, Svenska Läkaresällskapet, Svenska Sällskapet för Medicinsk Forskning (SSMF), Marianne och Marcus Wallenbergs Stiftelse, samt Knut och Alice Wallenbergs Stiftelse som en del av National Bioinformatics Infrastructure Sweden vid SciLifeLab. Författarna vill även tacka SciLifeLab för att de är värd för den webbaserade versionen av verktyget MSP-tracker.