Knogleskørhed skal opdages tidligere

Omkring 700.000 danskere lever med knogleskørhed. Knogleskørhed giver svage og skrøbelige knogler, som øger risikoen for smertefulde, invaliderende og livstruende knoglebrud.

Knogleskørhed har store konsekvenser for den enkeltes helbred, sociale liv og pårørende, og for samfundet. Jo senere sygdommen opdages, desto dyrere er den at behandle.

- Knogleskørhed opdages ofte først efter det første knoglebrud, hvilket betyder, at opsporing og forebyggelse i mange tilfælde sker for sent, forklarer Katrine Hass Rubin, professor ved Klinisk Institut, SDU og Forskerstøtteenheden OPEN.

- Vi har udviklet et værktøj, som kan hjælpe de praktiserende læger til at opdage patienter i høj risiko tidligere. Det værktøj skal vi nu have afprøvet og implementeret i klinikken.

Værktøjet hedder FREM_ML og er et beslutningsstøtteværktøj, som ved hjælp af kunstig intelligens kan hjælpe med at forudsige risikoen for knogleskørhedsrelaterede knoglebrud. Katrine Hass Rubin og hendes forskerkollegaer har netop fået en bevilling på 10 millioner kroner fra NordForsk til projektet med at implementere værktøjet.

FREM_ML udregner risikoen og gør den praktiserende læge opmærksom på patienter i høj risiko for knogleskørhed. Patienterne kan herefter tilbydes nærmere udredning eller forebyggende behandling.

Bruger information som allerede findes

FREM_ML kan integreres i de elektroniske journalsystemer, som de praktiserende læger allerede anvender. Her kan det hjælpe de praktiserende læger med at opspore hvilke patienter, der er i høj risiko for knogleskørhed.

- Al den information, vi skal bruge, ligger allerede i lægernes systemer. Udregningen af risiko vil foregå helt automatisk, og kræver ikke manuel indtastning fra lægernes side, forklarer Katrine Hass Rubin.

Projektet har fra NordForsk fået vurderingen ”Outstanding”, hvilket er den højest mulige. Fem projekter ud af 74 ansøgere har fået bevillinger.

Bedre livskvalitet for ældre

Knoglebrud relateret til knogleskørhed kræver ofte indlæggelse på hospitalet og kan i værste fald føre til plejehjemsophold. Mange oplever en væsentligt nedsat funktionsevne efterfølgende. Det går ofte langsomt med at rehabilitere og få det bedre, og kroppen og livet bliver ofte ikke helt som før. Det betyder, at sygdommen ofte kræver langvarig behandling og pleje.

Ved at opdage sygdommen inden den fører til knoglebrud, kan lægerne iværksætte relevant behandling tidligere, og dermed udrede og forebygge patienternes knoglebrud.

- Vi begynder de første tests til september 2025. Det banebrydende er, at vurderingen af data foregår automatisk og lægen ikke selv skal indtaste, fordi data allerede ligger i deres systemer, siger Katrine Hass Rubin.

Sådan virker FREM_ML

FREM_ML er udviklet via kunstig intelligens og ved brug af de nationale sundhedsdata og data fra tidligere patienter med knogleskørhedsrelaterede brud, er modellen trænet til at identificere risikofaktorer for sådanne brud. Modellen kan udregne en 1-års risiko for knogleskørhedsrelaterede knoglebrud. Modellen inddrager køn, alder og diagnoser samt medicinforbrug fra de seneste 15 år.

FREM_ML kan integreres i de journalsystemer, som den praktiserende læge i forvejen bruger. Her kan FREM_ML bruge de allerede eksisterende sundhedsdata til at se efter sammenhænge i forhold til risikofaktorer og sygdomsudvikling. Kort sagt gør FREM_ML det muligt hurtigt og automatisk at identificere patienter med høj risiko for knoglebrud, direkte i lægens eget system og baseret på data, der allerede findes her.

Nu skal modellen testes i praksis, så forskerne kan finjustere. Afprøvning og test af værktøjet sker i samarbejde med både primær- og sekundærsektoren i Danmark, Norge og Sverige.

Der er oprettet et brugerråd, som er med i hele processen, og som hjælper forskerne med, hvad der er vigtigt, når man er patient eller en person i mulig risiko for knogleskørhed.

Læs også: