Tidig diagnos av axiell spondyloartrit i primärvården med hjälp av multiagentsystem

Varför ryggsmärta behöver smartare hjälp

Kronisk ländryggssmärta är så vanlig att många människor — och även upptagna husläkare — kan missa den lilla andel patienter som faktiskt utvecklar en allvarlig inflammatorisk ryggsjukdom kallad axiell spondyloartrit. Tillståndet kan tyst skada lederna i nedre delen av ryggraden i åratal innan det upptäcks, vilket lämnar patienter funktionshindrade just när de borde vara som mest aktiva. Studien bakom denna artikel undersöker om ett AI ”team” av digitala assistenter kan hjälpa frontlinjeläkare att upptäcka dessa högriskpatienter tidigare och hänvisa dem till specialister i tid för att förebygga långsiktiga skador.

En dold sjukdom bakom vardaglig ryggsmärta

Axiell spondyloartrit, eller axSpA, börjar ofta i unga vuxna med ryggsmärta som varar i månader, lindras av rörelse och förvärras på natten. Även om den globala förekomsten är relativt låg utvecklar nästan hälften av obehandlade patienter funktionsnedsättning inom tre år och omkring 70 % inom fem år. Ändå diagnostiseras sjukdomen i regel nästan sju år efter att symtomen börjat. En viktig orsak är att primärvårdsläkare, som träffar de flesta patienter med ryggsmärta först, inte alltid är bekanta med varningstecknen eller med att tolka specialiserade MRT-undersökningar av sacroiliaca-lederna, de små lederna vid ryggradens bas där sjukdomen vanligen börjar. Som en följd hoppar många patienter mellan kliniker och tester innan någon förstår vad som egentligen pågår.

Ett AI-vårdteam byggt av flera digitala “agenter”

För att tackla detta problem skapade forskarna ett system kallat SpAgents — en koordinerad grupp AI-komponenter som samarbetar som medlemmar i ett kliniskt team. En PlannerAgent sköter dialogen med läkaren och avgör vad som behöver göras härnäst. En DataAgent söker igenom elektroniska journaler för att samla symtom, laboratorietester och skriftliga MRT-rapporter. En ToolAgent kör en specialiserad bildmodell som läser MRT-bilder av sacroiliaca-lederna och producerar ett standardiserat mått på benmärgsödem, ett kännetecken för aktiv inflammation. Slutligen väger en DoctorAgent samman all denna information och erbjuder ett av tre utfall: axSpA, inte axSpA, eller ”osäker”, tillsammans med en förklaring och förslag på ytterligare tester eller remisser.

Test av systemet på riktiga patienter och riktiga läkare

Teamet utvärderade SpAgents med data från 596 personer med misstänkt axSpA, hämtade från ett huvudsjukhus och fem ytterligare center. De delade upp fallen i en träningsmängd, en valideringsmängd och en oberoende testmängd. I dessa grupper identifierade SpAgents axSpA med hög känslighet (ungefär 86–94 % av verkliga patienter korrekt flaggade) och stabil specificitet (cirka 74–87 % av icke‑patienter korrekt lugnade). När systemet jämfördes direkt med sju läkare — tre allmänläkare, tre reumatologer med olika erfarenhet och en ortoped — matchade SpAgents prestandan hos seniora specialister samtidigt som det tydligt överträffade mindre erfarna kliniker både i känslighet och total noggrannhet.

Lärande från erfarenhet och klokare användning av bilddata

Bortom ren noggrannhet var systemet utformat för att bete sig mer som en försiktig kliniker än en stel kalkylator. En långtidsminnesmodul sparar tidigare, bekräftade fall så att AI:n kan ”återkalla” liknande situationer när den ställs inför en ny patient, vilket gradvis förbättrar bedömningarna över tid. Att lägga till detta minne ökade både känslighet och korrekthet över datasetten. Bild‑ToolAgenten spelade också en viktig roll: genom att använda en dedikerad MRT‑modell för att kvantifiera inflammation i sacroiliaca‑lederna förbättrades systemets förmåga att undvika falska larm samtidigt som verklig sjukdom fångades upp. Forskarna efterliknade dessutom verklig klinisk praxis genom att mata SpAgents med olika informationsnivåer — från bara patientens berättelse till fullständiga labb- och MRT‑data. När mer data lades till minskade andelen ”osäkra” svar markant och noggrannheten steg, vilket understryker hur blodmarkörer, genetiska tester och MRT var och en bidrar till en tydligare bild.

Hjälp för frontlinjeläkare att fatta tidigare, säkrare beslut

Kanske mest anmärkningsvärt är att när primärvårdsläkare och juniora reumatologer upprepade sina bedömningar med hjälp av SpAgents ökade deras känslighet och noggrannhet markant — och dessa vinster bestod även tre månader senare. Med andra ord fungerade AI‑systemet inte bara som en andra åsikt; det fungerade också som en träningspartner som förstärkte goda diagnostiska vanor. Författarna noterar att SpAgents fortfarande har begränsningar — såsom svårigheter att särskilja alla typer av benförändringar på MRT och behovet av djupare integration med sjukhusens IT‑system — men det levererar redan korrekt och kostnadseffektiv support på verkliga kliniska data. För patienter med svårbehandlad ryggsmärta kan den här typen av AI‑assistent innebära skillnaden mellan år av osäkerhet och en tidsenlig diagnos som håller deras rygg, och deras liv, i rörelse.

Citering: Ji, X., Li, Z., Zeng, L. et al. Early diagnosis of axial spondyloarthritis in primary care using multi-agent systems. npj Digit. Med. 9, 185 (2026). https://doi.org/10.1038/s41746-026-02372-4

Nyckelord: axiell spondyloartrit, ryggsmärtediagnos, medicinsk AI, multiagentsystem, MRI-bilddiagnostik