Helena-Jamin Ly: Avancerad teknologi kan förbättra tillväxthormonbehandling för barn
Barn med tillväxthormonbrist riskerar att bli kortvuxna. Att ge tillväxthormon är en central del av behandlingen, men här finns svårigheter. I denna avhandling undersöks hur man kan förbättra diagnostiken, och även hur prediktionsmodeller, artificiell intelligens (AI) och maskininlärning kan förutse och optimera behandlingen för dessa barn.
HELENA-JAMIN LY
Disputation: 4 april 2025 (klicka för mer information)
Doktorsavhandling: Applying prediction models and AI to optimize growth hormone therapy in children with short stature
Ämnesområde: Pediatrik
Sahlgrenska akademin, Institutionen för kliniska vetenskaper
Att diagnostisera tillväxthormonbrist hos barn kan vara komplext, speciellt de mildare formerna. Idag saknas en standardiserad metod för diagnostiken, vilket gör att bedömningen i stället baseras på en helhetsvärdering av flera undersökningar – en process som ofta tar tid och är subjektiv.
– Behandlingen är kostsam och innebär dagliga injektioner, vilket gör det viktigt att identifiera rätt barn att behandla. Nästa utmaning är att optimera doseringen genom att ge rätt mängd tillväxthormon, då känsligheten varierar mellan individer, säger Helena-Jamin Ly barnläkare på Endokrinmottagningen Barn, Drottning Silvias barnsjukhus och doktorand vid Institutionen för kliniska vetenskaper.
Barns känslighet för behandlingen varierar och fel dosering kan få konsekvenser – för höga doser kan innebära risker, medan för låga doser ger otillräcklig tillväxt. I denna avhandling undersöks hur befintliga prediktionsmodeller (matematiska modeller som förutsäger utfall baserat på data) artificiell intelligens (AI) och maskininlärning kan optimera behandlingen för barn som får tillväxthormon.
Grunden för en mer individanpassad vård
Utvärderingarna i forskningen visar att prediktionsmodeller effektivt identifierar barn som har nytta av tillväxthormonbehandling.
– En nordisk studie visade att 28 procent av barnen med tillväxthormonbrist hade dåligt behandlingssvar. Men med hjälp av prediktionsmodeller kunde vi minska denna andel till under två procent. Vi har även utvecklat nya maskininlärningsbaserade modeller för att försöka optimera doseringen, vilket möjliggör en mer precis, säker och kostnadseffektiv behandling.
Dessa resultat kan leda till bättre tillväxtresultat och ökad säkerhet för patienterna.
Givande och utmanande med doktorandprojektet
– Det har varit spännande att upptäcka AI, en helt ny värld för mig, där jag ser stor potential inom medicinsk forskning. Den största utmaningen har varit att lära mig och förstå AI, ett nytt och komplext område, men samtidigt en värdefull kunskap för att utveckla bättre kliniska verktyg.
Text: Susanne Lj Westergren
