Internationell prövning och förfining av AI-algoritmer som förutspår subtyper av akut leukemi från rutinmässiga laboratoriedata

Varför detta spelar roll för patienter överallt

För många personer med akut leukemi börjar tidsnödigheten långt innan de når en specialist. I delar av världen där avancerade tester är sällsynta eller långsamma kan det ta dagar att ens fastställa vilken typ av leukemi patienten har — tid de kanske inte har. Denna studie undersöker om ett artificiellt intelligens (AI)-program, som enbart använder de rutinblodprov som nästan alla sjukhus redan utför, snabbt kan föreslå trolig leukemisubtyp och hjälpa läkare att agera snabbare, särskilt i miljöer med begränsade resurser.

Att omvandla vardagliga blodprov till ett tidigt varningssystem

Forskarlaget sammanförde journaler från 6206 patienter med akut leukemi som behandlats vid 20 center i 16 länder, över alla bebodda kontinenter och med en stor spridning i ekonomiska förutsättningar. Istället för att förlita sig på specialiserade avbildningar eller genetiska tester matade de en befintlig AI-modell med standardiserade laboratoriemätningar tagna vid diagnos, såsom blodvärden, koagulationsmått och grundläggande kemiprövningar. Målet var att se om ett verktyg som ursprungligen byggts på franska data fortfarande kunde känna igen tre huvudtyper av leukemi — akut myeloisk leukemi (AML), akut promyelocytisk leukemi (APL) och akut lymfatisk leukemi (ALL) — i mycket olika sjukhus, populationer och åldersgrupper.

Starka signaler, men skillnader i vem som får nytta

När modellen användes brett på vuxna presterade AI:n bra överlag: den var särskilt träffsäker för AML och APL, två former där tidig igenkänning starkt kan påverka överlevnaden. Den ursprungliga versionen hade dock en strikt intern "konfidens"-regel som bara rapporterade ett resultat när den var mycket säker. Det gjorde att resultaten såg utmärkta ut på papper, men innebar också att i praktiken upp till mer än 90 % av patienterna inte skulle få något AI-förslag alls. Även utan den regeln varierade prestandan mycket mellan center och leukemityper, vilket speglar skillnader i patienternas ålder, lokala sjukdomsmönster och till och med vilka laboratoriemaskiner som användes.

Att lära systemet hantera röriga verklighetsdata

För att göra verktyget mer användbart i dagligt bruk fokuserade teamet på varför det misslyckades i vissa fall. De jämförde de underliggande blodprovmönstren hos korrekt och felaktigt markerade patienter och använde statistiska förklaringsmetoder för att se vilka mätvärden som spelade störst roll. Vissa koagulationsmarkörer och egenskaper hos röda blodkroppar visade sig vara särskilt viktiga för att skilja APL från andra typer, medan mönster i vita blodkroppar hjälpte till att separera AML från ALL. Forskarna lade sedan till ett nytt förbehandlingssteg som screenar för "outlier"-patienter vars laboratorieresultat ser mycket annorlunda ut än vad AI:n sett tidigare. Genom att kombinera två sådana filter och ta bort endast en måttlig andel fall ökade de träffsäkerheten för svåra grupper — särskilt för patienter som tidigare hamnade under modellens konfidenströskel — samtidigt som förutsägelser fortfarande blev tillgängliga för de flesta.

Anpassa AI till barn, inte bara vuxna

Barn med leukemi visar ofta andra laboratoriemönster än vuxna, och det visade sig ha stor betydelse. När den vuxentränade AI:n kördes på 1746 pediatriska patienter föll dess prestanda, särskilt för AML. Teamet visade att nyckelblodvärden, såsom koagulationsfaktorer och cellantal, följde distinkta intervall hos yngre patienter. Istället för att acceptera sämre prestanda tränade de om AI:n specifikt på pediatriska data, vilket kraftigt förbättrade dess förmåga att känna igen barndoms-ALL och AML samtidigt som den bibehöll starka resultat för de mer sällsynta pediatriska fallen av APL. Detta betonar en viktig lärdom: AI-system som är avsedda att stödja diagnostik måste anpassas till de populationer de ska tjäna.

Mot snabbare och mer rättvis leukemivård

Författarna poängterar att detta AI-verktyg inte ersätter guldstandardmetoderna — mikroskopisk undersökning, flödescytometri och genetiska tester — som läkare förlitar sig på för att bekräfta leukemityp och välja precisa behandlingar. Istället erbjuder det ett sätt att snabbt flagga sannolika leukemisubtyper med hjälp av laboratorietester som redan är allmänt tillgängliga, även i många låg- och medelinkomstländer. Genom att förfina modellen för att hantera olika sjukhus, filtrera bort opålitliga förutsägelser och skapa en pediatrisk version visar studien hur AI skulle kunna bidra till att förkorta tiden till specialistvård och livräddande behandling. Arbetet lägger grunden för framtida prövningar för att undersöka om sådant beslutsstöd faktiskt kan sänka tidiga dödlighetstal och föra fördelarna med modern leukemivård närmare patienter oavsett var de bor.

Citering: Turki, A.T., Fan, Y., Hernández-Sánchez, A. et al. International testing and refinement of AI algorithms predicting acute leukemia subtypes from routine laboratory data. Nat Commun 17, 2649 (2026). https://doi.org/10.1038/s41467-026-70584-z

Nyckelord: akut leukemi, artificiell intelligens, diagnostiskt stöd, hälsojämlikhet, laboratorietester