Kunstig intelligens (KI) har de siste årene gått fra å være et futuristisk begrep til å bli en konkret del av den kliniske hverdagen i medisinen, og voksenkardiologien baner vei. I barnekardiologien har utviklingen vært mer forsiktig. Det skyldes ikke mangel på potensiale, men kanskje heller særskilte utfordringer knyttet til små pasientpopulasjoner, stor heterogenitet i data og strenge krav til sikkerhet og dokumentasjon. Spørsmålet er likevel ikke OM KI vil få en rolle i barnekardiologien, men HVORDAN og HVOR RASKT.
Tekst: Henrik Brun, overlege Barnekardiologisk avdeling OUS og Professor, Universitetet i Oslo
Hva mener vi med kunstig intelligens?
US Food and Drug Administration (FDA) godkjenner medisinsk KI for det amerikanske markedet slik CE merking gjelder i Europa. FDA definerer KI som maskinbaserte systemer som kan oppfatte, lære av data og generere prediksjoner, anbefalinger eller beslutninger for å oppnå menneskedefinerte mål. I medisinsk sammenheng innebærer dette blant annet programvare som analyserer medisinske bilder, fysiologiske signaler eller journaldata for å støtte eller gjøre kliniske vurderinger og bidra til beslutninger om behandling.
Det er viktig å understreke at dagens KI-systemer ikke «tenker» selv, men er avanserte statistiske modeller som er trent på store mengder data. Kvaliteten på det man får ut er derfor direkte avhengig av kvaliteten, bredden og representativiteten i treningsdataene – et særlig viktig poeng i pediatrien og barnekardiologien med sin store individuelle variasjon i morfologi, behandlingsløsninger og funksjon.
KI i kardiologi – barn henger etter voksne
Per 2025 var over 1200 KI-baserte medisinske produkter FDA-godkjent, hvorav rundt 10 % innen kardiologi. Kun et fåtall KI-verktøy er spesifikt godkjent for pediatrisk bruk, og svært få innen barnekardiologi. De fleste pediatriske FDA-godkjenningene bygger på såkalt «510k»-prosedyre, der man viser til likhet med allerede godkjente KI-verktøy, ofte fra voksenkardiologi og med begrenset pediatrisk validering.
Dette illustrerer et sentralt paradoks: Barn med medfødte hjertefeil kunne hatt stor nytte av KI-støtte, nettopp fordi man særlig i de sjeldne og komplekse tilfellene mangler godt beslutningsgrunnlag og kunne trengt hele verdens erfaring som beslutningsgrunnlag – men mangelen på tilstrekkelig store, standardiserte pediatriske datasett bremser utviklingen.
Ekkokardiografi
Ekkolaboratoriet er et av områdene der enkel KI har vært i bruk en god stund til automatisering av bildeanalyse. Kommersiell programvare kan i dag tilby automatisk måling av volum, ejeksjonsfraksjon, strain og Doppler-parametre. Nye verktøy, for eksempel kvantitering av klaffelekkasje, er lansert. Disse verktøyene kan redusere tidsbruk, inter- og intra-observatørvariabilitet, men de fleste er utviklet og validert på voksne pasienter. Pediatrisk bruk krever derfor kritisk vurdering og lokal validering. Automatiserte analyser stiller like store krav til kvaliteten på bildeopptakene som manuell analyse.
Innen fosterekkokardiografi har KI-baserte «Viewfinder»-systemer vist lovende resultater for automatisk gjenkjenning av standardprojeksjoner og også enkelte strukturelle avvik. Dette kan på sikt bidra til bedre og mer ensartet kvalitet, særlig i miljøer med begrenset volum og erfaring.
MR og CT av hjertet
Innen hjerte-MR brukes KI hovedsakelig til automatisert segmentering av ventrikler for volumberegning og ejeksjonsfraksjon, oftest som utgangspunkt for manuell redigering. KI kan også gjøre flow-analyse og vevskarakteristikk av for eksempel arr og fibrosepåvisning i myokard. For CT og MR muliggjør KI-basert segmentering også effektiv konvertering til tredimensjonale modeller som kan brukes i kirurgisk planlegging og simulering ved komplekse medfødte hjertefeil.
Elektrokardiografi
KI-basert analyse av EKG er etablert for voksenkardiologi, blant annet for arytmideteksjon i langtids-EKG og såkalte «event recorders». Risikoprediksjon fra standard 12-kanals EKG er et område der det forventes fremskritt. På samme måte som bilde-algoritmer kan se en tumor tidligere enn radiologens øye kan EKG-algoritmene gi diagnostisk og prognostisk informasjon som ellers ikke fanges opp. I pediatrien er utviklingen mer fragmentert. Variasjon med alder, hjertefrekvens og anatomi gjør modellering mer krevende. Likevel viser nyere studier at forklarbar KI (XAI) kan identifisere subtile EKG-mønstre, for eksempel ved prediksjon av diagnosen ASD secundum basert på tilsynelatende normale EKG. Kommersielle langtids-EKG analyseverktøy finnes også godkjent for barn.
Overvåkning og intensivmedisin
I nyfødt- og barneintensivavdelinger genereres store mengder kontinuerlige data. KI-baserte multimodale overvåkningssystemer som kombinerer puls, oksygenmetning, blodtrykk og respiratoriske data, utvikles og testes nå i nordiske miljøer. Målet er tidligere deteksjon av klinisk forverring og bedre beslutningsstøtte. Løsninger for strømming av monitordata til forskningsservere for AI-analyse i sanntid en viktig del av slike prosjekter i Norden.
Små datasett – store løsninger?
En grunnleggende utfordring i barnekardiologien er små og heterogene datasett. En lovende tilnærming er samarbeid om såkalt «federated learning», der flere sykehus, gjerne på tvers av landegrenser trener felles KI-modeller uten å dele rådata. Dataene forblir lokalt, mens modellparametere deles. Dette har utfordringer for eksempel når det gjelder eierskap til løsninger, men muliggjør internasjonalt samarbeid innenfor personvern- og lovverksrammer. Et stort internasjonalt initiativ (pediatricmoonshot.com) handler nettopp om måter å dele data på globalt for en mer rettferdig utnyttelse av ny teknologi.
Etikk, tillit og forklarbarhet
KI i pediatrien stiller særlige etiske krav. Beslutninger angår barn, ofte med livslange konsekvenser. Klinikerens tillit til systemene forutsetter transparens og forklarbarhet. «Svar uten forklaring» er vanskelig å akseptere i klinisk praksis. Forklarbar KI (XAI) er derfor ikke et akademisk tilleggspoeng, men en forutsetning for implementering. KI-modeller må både være grunnleggende valide, solide og generelt appliserbare, men også lokalt tilpasset med lokale data for å kunne brukes på den enkelte (sub) populasjon.
Hvor er vi på vei?
På kort sikt vil KI først og fremst fungere som et verktøy for automatisering av tidkrevende oppgaver (for eksempel lese av 24 timers EKG) og som beslutningsstøtte. På lengre sikt peker utviklingen mot multimodal dataintegrasjon og digitale tvillinger – dynamiske modeller som kan simulere sykdomsforløp og behandlingseffekter hos det enkelte barn, etter hvert også i sanntid.
Utviklingen bør skje kontrollert, i tett samarbeid mellom klinikere, teknologer og myndigheter. Behovet for forskningsarenaer der teknologer og medisinere møtes er derfor større enn noen gang og medisinutdanningen bør tilby kurs i forståelse av KI i medisinsk praksis. Barnekardiologien bør ikke være en sen mottaker av voksenverktøy, men en aktiv premissgiver for etisk og klinisk relevant KI.
KI benyttes allerede i Barnekardiologien. Foto: Henrik Brun
KI i norsk barnekardiologisk praksis
I Norge har barnekardiologien gode forutsetninger for ansvarlig KI-utvikling. Vi har et offentlig finansiert barnehelsevesen, høy grad av digitalisering og sterke nasjonale registre. Samtidig er fagmiljøene små og oversiktlige, med ett felles kirurgisk og intervensjonelt senter, noe som til sammen fasiliterer tverrfaglig samarbeid mellom klinikere, teknologer og beslutningstakere for lokal utvikling og tilpasning av KI-verktøy.
Flere norske og nordiske initiativ peker i retning av økt KI-bruk, blant annet innen EKG-analyse, ekkostøtte, intensivovervåkning og bildebasert 3D-modellering. Likevel er klinisk implementering fortsatt begrenset. En viktig årsak er at mange kommersielle løsninger mangler pediatrisk validering, og at ansvaret for lokal kvalitetssikring i praksis faller på kliniske avdelinger. Tilliten til nye verktøy er grunnleggende for implementering.
Norske barnekardiologiske miljøer bør ha en aktiv rolle i evaluering av KI-verktøy, inkludert deltagelse i multisenterstudier og nordisk samarbeid. Federated learning representerer en særlig relevant modell, der norske pasientdata kan bidra til robust modelltrening uten at data forlater institusjonen.
Etiske og regulatoriske utfordringer – et barneperspektiv
Bruk av KI i pediatrien reiser særegne etiske spørsmål. Barn har begrenset mulighet til informert samtykke, og konsekvensene av feil kan få livslange følger. Dette stiller høye krav til dokumentert nytte, transparens, sikkerhet og rettferdighet.
En sentral utfordring er manglende transparens i mange KI-modeller. For klinikere er det avgjørende å forstå «hvorfor» et system foreslår en bestemt klassifikasjon eller et risikoestimat. Forklarbar KI (XAI) er derfor ikke bare ønskelig, men nødvendig for klinisk ansvarlighet og tillit.
Regulatorisk er det et økende gap mellom teknologisk utvikling og godkjenningsprosesser. EU sitt nye regelverk for kunstig intelligens (AI Act) klassifiserer medisinsk KI som høyrisikosystemer, med krav til dokumentasjon, risikohåndtering og menneskelig kontroll. For pediatrisk bruk bør det stilles eksplisitte krav til aldersspesifikk validering, ikke bare ekstrapolering fra voksne data.
I norsk sammenheng må også ansvarsforhold avklares: Hvem har ansvar når KI-baserte beslutningsstøttesystemer tas i bruk og selvsagt også vil feile – leverandør, institusjon eller behandlende lege? Slike spørsmål må adresseres før bred implementering.
Fremtidsperspektiver – fra verktøy til samarbeidspartner
På kort sikt vil KI primært fungere som støtte for automatisering av tidkrevende og repeterende oppgaver, som målinger, segmentering og overvåkning. På lengre sikt peker utviklingen mot integrasjon av multimodale data – bilde, signaler, genetikk og journalinformasjon – i helhetlige modeller.
Et fremtidsmål er utvikling av såkalte digitale tvillinger: dynamiske, pasientspesifikke modeller som kan simulere sykdomsutvikling og behandlingsrespons. For barn med komplekse medfødte hjertefeil kan dette gi helt nye muligheter for individualisert oppfølging, men forutsetter både teknologisk modenhet og grundig etisk refleksjon.
Konklusjon
KI har allerede funnet sin plass i deler av barnekardiologien, også i norsk klinisk praksis, men potensialet er langt fra fullt utnyttet. Veien videre krever nasjonalt og nordisk samarbeid, gode pediatriske data, tydelig regulering og aktivt klinisk eierskap. Kunstig intelligens vil ikke erstatte barnekardiologen – men kan, brukt riktig, bli en verdifull og ansvarlig samarbeidspartner.
«Vil du vite mer? Les videre!»
1. Brewster R et al. US FDA Approval of Pediatric Artificial Intelligence and Machine Learning-Enabled Medical Devices JAMA Pediatrics 2024.
2. Papunen I et al.. Automated analysis of heart sound signals in screening for structural heart disease in children European Journal of Pediatrics. 2024
3. Leone DM et al. Artificial Intelligence in Pediatric Electrocardiography: A Comprehensive Review. Children. 2025.
4. Nguyen M et al. Artificial intelligence in echocardiography: Current applications and future directions. Frontiers in Radiology. 2022.
5. Mayourian J et al. Pediatric Electrocardiogram-Based Deep Learning to Predict Secundum Atrial Septal Defects. Pediatric Cardiology. 2024.
