Från teori till tillämpning: KTH-studenter utvecklar AI-system för kliniska informationsutmaningar

Idén bygger på ett avancerat multiagentsystem där flera specialiserade AI‑agenter samarbetar för att analysera, strukturera och sammanfatta stora mängder journaldata. Ambitionen är att avlasta vårdpersonal från den tidskrävande och ofta stressfyllda uppgiften att manuellt gå igenom långa och komplexa patienthistoriker. Systemet ska ge läkare och sjuksköterskor möjlighet att snabbt hitta relevanta uppgifter, få tydliga sammanfattningar och enklare kunna navigera i ett informationsflöde som annars lätt blir överväldigande. Med i teamet har de även medgrundarna Mina Makar, specialistläkare i allmänmedicin och verksam på akutmottagningen vid Karolinska Huddinge samt Ismail Ahmed Ali, specialistläkare i allmänmedicin och verksam på Capio i Västerås

Just detta behov blev tydligt för Sondur och Sato långt innan OptiMed AI  tog form. Båda har personliga erfarenheter som visade hur svårt det kan vara när viktig information inte lyfts fram på rätt sätt i vårdprocessen. För Sondur var det hans fars behandling som tydliggjorde problemet:

– Min far har haft psoriasis hela livet. Hans medicin blev nyligen bytt, vilket gav många biverkningar. Men kopplingen drogs aldrig riktigt. När jag sökte på det i vår tjänst kunde vi snabbt se hur symtom och läkemedel hängde ihop.

Satos motivation bottnar i en liknande insikt, men från en annan livssituation:

– Jag har en farmor med ganska utvecklad demens. Man undrar ju om sjukvården hade haft en sådan tjänst, om man då kanske kunnat identifiera mönster tidigare och arbeta mer proaktivt?

Deras gemensamma erfarenheter gjorde det tydligt att problemet inte bara handlade om personalbrist eller hög arbetsbelastning, utan också om informationsstrukturen i sig. Avgörande detaljer riskerar att hamna långt ner i en växande dokumentationsmassa, trots att de kan påverka diagnoser och behandlingsbeslut. I många patientfall är dokumentationen så omfattande att den praktiskt taget blir omöjlig att överblicka.

– En kroniskt sjuk patient kan ha 1 00–2 00 A4‑sidor med journaldata, säger Sondur. Det är orealistiskt att personalen hinner läsa allt. Stora språkmodeller (LLM:er) är otroligt bra på att processa stora mängder data.

– OptiMed AI är designat för att möta just dessa utmaningar, tillägger Sato.

Det var i skärningspunkten mellan teknikens möjligheter och dessa personliga insikter som duon hittade sin riktning. De inspireras också starkt av forskare som Vladimir Vapnik, just för hans arbete inom statistisk inlärningsteori och hur det har format modern AI.

– Vi ville utveckla något som faktiskt gör samhällsnytta, och när vi såg vårdens utmaningar kändes det självklart att försöka lösa dem med teknik vi vet kan göra skillnad, förklarar Sato.

OptiMed AI – ett multiagentsystem som gör journaldata begriplig

Genom att kombinera modern språkmodellsteknik med agentbaserad arkitektur ska systemet kunna filtrera, analysera och presentera relevant information på ett sätt som stödjer kliniska beslut utan att ersätta dem.

Systemet ska kunna:

• sammanfatta journaler i olika detaljnivåer

• möjliggöra direktsök i patienthistorik, även i ostrukturerade data

• anpassas efter användarens arbetsflöde och specialitet

• integreras i befintliga journalsystem för att minimera extra arbetsmoment

• använda ”deep agents”, avancerade AI‑agenter med tydligt definierade expertroller

Det är dessa agenter som gör plattformen särskilt kraftfull. Varje agent ska specialiseras på ett medicinskt område exempelvis inom kardiologi, radiologi eller farmakologi och ska därmed kunna tolka specifika typer av data med hög precision. Flera agenter ska dessutom kunna samarbeta kring komplexa fall.

– Det innebär att exempelvis två intelligenta agenter inom olika medicinska områden kan ’kommunicera’ med varandra och gemensamt analysera underlag, precis som ett multidisciplinärt team inom vården” förklarar Sondur.”

Genom denna teknik hoppas teamet bakom OptiMed AI att de kan bidra till en mer sammanhållen, datadriven och lättnavigerad vårdinformation där viktiga samband inte försvinner i mängden och där personalen får mer tid att fokusera på patienten framför sig.

Regleringar, tillit och EU AI Act – en komplex spelplan

AI inom sjukvården är en enorm möjlighet, men också en av de mest reglerade tekniska tillämpningarna. Reglerna är nödvändiga men bromsar också innovationstakten.

– Vi har en hatkärlek till sjukvårdens regleringar. Det får inte gå fel och det är jätteviktigt att det är så. Men det innebär också att tekniken inte utvecklas lika snabbt, förklarar Sato.

Teamet arbetar aktivt med att anpassa sig efter regelverket:

• tester med läkare och samarbetspartners

• kvalitetssäkrade kliniska funktioner

• Orbit-layers där människor alltid granskar AI‑utdata

• förberedelser inför EU AI Act, som ännu är en ”gråzon” inom vissa delar

– Det största hindret är inte tekniken, utan tilliten, säger Sato.

Även EU:s regler för medicintekniska produkter (MDR) innebär stora utmaningar eftersom kraven på klinisk evidens, dokumentation och spårbarhet är betydligt högre, vilket gör både utvecklingsprocessen och godkännandefasen mer komplex och tidskrävande.

– Det är en stor kostnad för startups och kan vara en lång process då regelverket inte riktigt hinner med i utvecklingen, tillägger Sondur. ”ör ett och ett halvt år sedan visste knappt många vad AI-agenter var. Vi måste bygga upp tilliten, både för tekniken och för att förstå vem som bär ansvar om något går fel.

Vänner sedan gymnasiet – och drivna av en långvarig nyfikenhet

Det har gått över tio år sedan Sondur och Sato först träffades i gymnasiet. Gemensamt för dem båda var en fascination för matematik, fysik och problemlösning, ämnen som kom att forma deras akademiska väg och sedermera deras entreprenörsambitioner. Intresset för teknik växte tidigt, och för Sato började det som ett sätt att förstå hur världen fungerar.

– Intresset för matte och fysik har egentligen alltid funnits där, säger Sato. Jag tror det började som en allmän nyfikenhet kring hur saker fungerar och varför världen ser ut som den gör. Under gymnasiet växte det intresset ordentligt när man började läsa ämnena mer på djupet och insåg hur kraftfulla verktyg de är för att förstå och bygga saker. Sedan fortsatte det naturligt vidare in på universitetet.”

Sondur beskriver sin resa på liknande sätt, men med ett starkt fokus på programmering redan i barndomen:

– Jag har sysslat med kodning sen jag var tio–elva år. Jag brukade bygga robotar, så det är helt klart ett intresse som är en del av mig. När AI började blir mer tillgängligt så kände vi att det finns så mycket potential, speciellt med alla LLM:er. Då började vi tänka på praktiska idéer och så insåg vi att det fanns luckor inom sjukvården med dokumentation och annat som vi själva upplevt personligen.

Deras vägar gick vidare till KTH, där Sato för närvarande studerar farkostteknik samt datateknik och ekonomi, medan Sondur studerat medicinteknik och även gjort en utbytestermin på ETH i Schweiz. De båda håller med om att tiden på KTH präglat deras intresse och vägval, både när det gäller nätverk, stöttning från lärare och professorer, och att kunna bearbeta mycket data, men också den disciplin som de nu tar med sig in i sitt start-up-projekt.

– Jag har såklart lärt mig mycket om AI genom min utbildning, tillägger Sondur. Det känns som att det är en dörröppnare att säga att man studerat på KTH. Vårt nätverk på KTH har lett till att några kandidat-studenter ska komma och hjälpa oss.

– Våra utbildningar har lärt oss mycket om hur man ska ta sig an problem och försöka se lösningar som vi verkligen tar med oss in i det här nu, tillägger Sato.

De lägger just nu all sin vakna tid och lite mer på det här.

Antagna till KTH Innovations ettårsprogram – med siktet inställt på lansering

Startupen har redan fått provisoriskt stöd från KTH Innovation, men antagningen till ettårsprogrammet ger dem nya möjligheter. Programmet är uppdelat i tre faser:

1. Försäljning och kundförståelse – pitch, kundkontakt, erbjudanden

2. Investeringar – kapitalbehov, investerardialoger, strategi

3. Lansering – paketering, marknad, produktionssättning

De deltar även i KTH Collide och träffar sin affärscoach regelbundet. Trots att de är ett litet team har de kommit långt.

– Vi är ett litet team, så i praktiken gör vi det mesta tillsammans, förklarar Sato. Sondur har huvudansvaret för programmering och den tekniska arkitekturen, medan jag driver mycket av det affärsmässiga/operativa med kunddialoger, partnerskap, strategier och struktur.

– Men vi stöttar varandra hela tiden, tillägger Sondur. Behövs det teknisk input i ett kundmöte är han med, och behöver vi resonera kring produkt eller implementation så gör vi det tillsammans. Det är väldigt mycket lagarbete.

Framtiden: Norden först – världen sedan

Teamet siktar på att etablera en stark grund i Norden, men har långsiktigt ambitioner att expandera internationellt, särskilt i USA. På sikt vill de att OptiMed AI ska fungera som:

• en baslinje för klinisk intelligens

• ett verktyg som kan integreras i alla journalsystem

• en plattform som kan användas för forskning och sjukdomsprognoser

De ser en framtid där AI aldrig ersätter läkaren, men där den är ett naturligt stöd i varje beslut.

– Vi vill inte ersätta läkaren, förklarar Sondur. Vi vill ge ett kompletterande verktyg som gör att beslut fattas utifrån rätt information.

Text: Jelina Khoo