AI kan spela större roll i nutritionsbedömningen
Artificiell intelligens kan användas för att identifiera patienter med nutritionsrisk, analysera kroppssammansättning och ge stöd i kliniska beslut. En ny forskningsöversikt beskriver stora möjligheter för AI inom klinisk nutrition – men också risker och behovet av fortsatt mänsklig kontroll.
Artificiell intelligens har på kort tid blivit en del av många områden inom hälso- och sjukvården. Nu utvecklas också tillämpningar som riktar sig specifikt mot klinisk nutrition.
I en ny översikt i Current Opinion in Clinical Nutrition and Metabolic Care går forskare igenom hur AI kan användas från screening och nutritionsbedömning till kliniskt beslutsstöd och uppföljning.
En grundläggande möjlighet är att snabbt bearbeta mycket stora mängder patientdata. Genom att kombinera exempelvis journaluppgifter, laboratorievärden, bilddiagnostik och annan klinisk information kan algoritmer hitta mönster som kan vara svåra att upptäcka manuellt.
Kan upptäcka nutritionsrisk
Ett användningsområde är screening och tidig identifiering av patienter som löper risk för undernäring eller nutritionsrelaterade komplikationer.
AI-baserade modeller kan analysera stora databaser med patientinformation och användas för att förutsäga vilka patienter som har störst risk att utveckla problem. Det skulle kunna ge vårdpersonal möjlighet att sätta in nutritionsåtgärder tidigare.
Forskarna lyfter också fram användningen av medicinska bilder. Datortomografibilder som redan tagits av andra medicinska skäl innehåller information om bland annat patientens muskelmassa. Med hjälp av AI kan bilder analyseras automatiskt för att identifiera låg muskelmassa och sarkopeni och bidra till bedömningen av patientens risk och prognos.
Tekniken kan därmed göra information som redan finns i vården användbar även för nutritionsbedömningen.
Från bedömning till beslut
Nästa steg är kliniskt beslutsstöd. Genom att väga samman stora mängder information skulle AI-system exempelvis kunna bidra till att identifiera patienter som behöver nutritionsbehandling och ge underlag för mer individualiserade beslut.
I intensivvården, där patienternas tillstånd kan förändras snabbt och stora mängder data genereras kontinuerligt, ser forskarna särskilt stora möjligheter.
AI kan också användas för att förutsäga nutritionsrelaterade komplikationer och patientutfall. På sikt kan sådana system bidra till en mer individualiserad nutritionsbehandling, där rekommendationerna i större utsträckning anpassas efter den enskilda patientens tillstånd och riskprofil.
Kräver stora mängder bra data
Men möjligheterna kommer med tydliga begränsningar. AI-system är beroende av de data de tränats och testats på. Om underlaget är bristfälligt eller inte representerar de patienter som systemet senare används för finns risk för missvisande resultat.
För att utveckla tillförlitliga modeller behövs därför stora och välstrukturerade datamängder samt samarbete mellan kliniker, forskare och experter på dataanalys.
Det behövs också klinisk validering. Ett system som fungerar bra i en forskningsmiljö eller för en viss patientgrupp behöver inte automatiskt fungera lika bra i en annan vårdmiljö.
Stöd – inte ersättning för klinisk kompetens
Forskarna ser en betydande potential för AI att förändra den kliniska nutritionen, framför allt genom bättre screening, riskbedömning och mer individualiserade beslut.
Samtidigt behöver införandet ske under noggrann uppföljning. Målet är inte att ersätta den kliniska bedömningen utan att ge vårdprofessionen ytterligare information och beslutsstöd.
För dietisten väcker utvecklingen därför frågor som går utöver själva tekniken. Om en algoritm identifierar en patient som undernärd eller föreslår en nutritionsåtgärd behöver någon fortfarande kunna värdera resultatet i sitt kliniska sammanhang.
Ju mer avancerade beslutsstöden blir, desto viktigare blir därmed också frågan om vilken kunskap dietisten behöver för att förstå när AI hjälper – och när den riskerar att leda fel.
Källa: Singer P., Slavin Kish M. & Raphaeli O. Artificial intelligence in nutritional assessment and decision making. Current Opinion in Clinical Nutrition and Metabolic Care, 2026; 29(5):434–440.
