Samling av personsensitive opplysninger i én stor database – dette var ankepunktet som utløste personvernstormen rundt Norges ferske smittesporingsapp. Det vil være synd om bråket dreper nordmenns vilje til å bidra med egne helsedata som kan gjøre helsevesenet bedre.
For nå finnes løsninger som om litt kan gi helsevesenet tilgang til slike opplysninger på personvernvennlig vis.
Overvåker egen helse
Bakteppet er at stadig flere av oss bruker apper og smartklokker til å overvåke egen helse.
Om helseforskere får tilgang til dataflommen fra disse innretningene, kan både diagnostikk og behandling forbedres – under én forutsetning: at opplysningene lar seg analyseres uten fare for at de misbrukes.
Nå åpnes muligheter for nettopp dette, takket være ny teknologi som ble lansert av Google i 2017.
Data forblir i telefonen
Nyvinningen er knyttet til fagfeltet kunstig intelligens. Nærmere bestemt jakten på skjulte sammenhenger i store datamengder ved hjelp av algoritmer – oppskrifter på beregninger – for såkalt maskinlæring.
Jo flere datasett en slik algoritme får trene på, jo lettere ser den sammenhenger. Takket være Googles nye løsning kan algoritmer trenes opp på folks egeninnsamlede data uten at opplysningene forlater bidragsyterens telefon.
Det betyr at sentral lagring av data ikke alltid blir nødvendig lenger når en kunstig intelligens skal trene.
Snus på hodet
Den nye teknologien kalles «federated learning». «Distribuert maskinlæring» på godt norsk. Løsningen snur informasjonsbehandling på hodet.
I stedet for at persondata må overføres til sentrale servere der algoritmen trenes, sørger nyvinningen for at det motsatte skjer:
Algoritmen sendes til den enkeltes telefon og oppdateres der, ved hjelp av bidragsyterens data. Etterpå sendes den til serveren, der alle lokale oppdateringer kombineres.
Hjerteaktivitet og søvnmønster
For helseforskere kan det bli attraktivt å la en algoritme lete på denne måten i telefonen din. Der kan den ta fatt på informasjon fra smartklokken du har på armen: Data om alt fra hvordan puls og hjertets elektriske aktivitet har variert i måleperioden, til opplysninger om hvordan søvnmønsteret ditt var i samme tidsrom.
I telefonens indre kan algoritmen også tygge på data du har lagt inn manuelt i helseapper – som det stadig vil bli flere av. Eksempelvis opplysninger fra menstruasjonsappen din, eller informasjon du kan ha gitt til en snorkeapp om vektøkninger/vekttap eller eventuelt inntak av kaffe, kveldsmat eller alkohol før sengetid.
Ved å se etter sammenhenger i slike informasjonshav om hver enkelt av oss, kan fremtidige algoritmer berike legevitenskapen med ny kunnskap om hva som kjennetegner og påvirker sykdomsforløp.
- Les også: Mer helse for hver krone er fullt mulig
Mer treffsikker behandling
I sin tur kan dette bidra til mer treffsikre diagnoser og behandlingsmetoder – og dermed et mer effektivt helsevesen. Det hele altså uten at du sender noen egeninnsamlede opplysninger ifra deg for sentral behandling og lagring.
I dag brukes distribuert maskinlæring primært til to formål: hjelpe «Siri-funksjonen» i iPhone-mobiler med talegjenkjenning, samt lære telefoner hva feiltastinger er et forsøk på å si.
Men flere medisinske forskningsmiljøer er alt i gang med å bruke metoden til sikker deling av data om enkeltpasienters helse.
Trygg datahåndtering
Oppslutningen om Dagbladets selvrapporteringssystem under pandemien viser at mange gjør egne helseopplysninger tilgjengelig når de ser det som viktig. Vel å merke under to forutsetninger: At de får noe igjen for det – i smitteappens tilfelle var belønningen løftet om et varsel ved nærkontakt med en smittet – og at de finner det trygt.
Distribuert maskinlæring gjør det lettere å innfri kravet om trygg datahåndtering. Denne metoden bør vi derfor forske på, også i Norge.
De medisinske gevinstmulighetene ved å la folk få bidra med sine egne data ser nemlig ut til å være så store at det faktisk kan bli et etisk dilemma for helsevesenet å velge dem bort.
Artikkelen sto første gang i Dagens Næringsliv lørdag 1. august 2020 og gjengis her med DNs tillatelse.
