Sådan fungerede NEJM AI-studiet

Diagnosticering af sjældne sygdomme er ekstraordinært vanskeligt. Genomsekventering kan afsløre millioner af genetiske varianter, og den medicinske viden om disse varianter ændrer sig konstant . Den traditionelle metode – en menneskelig ekspert, der manuelt gennemgår kandidatvarianter op imod den nyeste litteratur – er langsom, omhyggelig og begrænset af, hvor meget én person kan holde i arbejdshukommelsen.

For at løse dette fodrede forskerholdet 376 afidentificerede tilfælde ind i OpenAI's o3 Deep Research-model. AI'en fik til opgave at forbinde kliniske træk, arvelighedsmønstre, variantbeviser og den mest opdaterede videnskabelige litteratur til evidensbaserede kandidatforklaringer. Hvert eneste spor, modellen frembragte, gennemgik derefter menneskelig vurdering: ekspertgennemgang, yderligere testning og klinisk bekræftelse .

De identificerede tilstande spændte over neurodevelopmental disorders, sjældne neuromuskulære sygdomme, pludselig uventet død i pædiatrien og tidligt opstået psykose . Mange af disse tilfælde havde undgået års ekspertanalyse.

Chef for Innovation, John Brownstein, erkendte det beskedne udbytte. "Det at opnå næsten 5 % nye diagnoser lyder måske ikke af meget," sagde han til NBC News, "men i betragtning af hyppigheden af tidligere analyser og den anvendte ekspertise, er det faktisk ret betydeligt" .

Ud over studiet: AI som kerneinfrastruktur på Boston Children's Hospital

Dette NEJM AI-studie er ikke et isoleret eksperiment. Det er en del af en meget større, institutionsdækkende AI-transformation på Boston Children's Hospital, som institutionen beskriver som at behandle AI som "kerneinfrastruktur" .

Centrale resultater fra det bredere initiativ sammen med OpenAI:

• Over 40 sjældne tilstande diagnosticeret, som tidligere havde været uopklarede .
• 7 millioner dollars i omkostningsbesparelser og 60.000 timers sparet personaletid på tværs af kliniske, forskningsmæssige og operationelle teams .
• Mere end en tredjedel af medarbejderne bruger nu AI-værktøjer integreret i daglige arbejdsgange, herunder et sikkert internt ChatGPT-miljø, der bruges på tværs af forskning, klinisk pleje og operationelle områder som forsyningskæde og operationsplanlægning .

Hospitalet rapporterer, at AI har reduceret den administrative byrde, skåret omkostninger, udvidet klinisk kapacitet og gjort det muligt at tackle diagnostiske tilfælde, der engang blev anset for umulige .

Tilsagnet på 50 millioner dollars fra OpenAI

De 50 millioner dollars, der ofte nævnes i forbindelse med denne nyhed, har to komponenter.

For det første lancerede OpenAI i marts 2025 NextGenAI-konsortiet med 15 forskningsinstitutioner (inklusive Harvard) og 50 millioner dollars i finansiering til forskningslegater, computeradgang og API-ressourcer . Boston Children's Hospital har været en direkte modtager. Chefen for Innovation, John Brownstein, krediterede offentligt tilsagnet på 50 millioner dollars for at fremme deres arbejde med sjældne sygdomme via AI i et LinkedIn-opslag i marts 2025 .

For det andet forpligtede OpenAI Foundation sig i begyndelsen af 2026 til yderligere 50 millioner dollars til sin People-First AI Fund, som en del af en bredere forpligtelse til at investere mindst 1 milliard dollars i løbet af det næste år på tværs af life science og sygdomsforskning .

Hvad dette betyder for det globale fællesskab af sjældne sygdomme

Anslået 300 millioner mennesker på verdensplan lider af sjældne sygdomme . Mange udholder en årelang diagnostisk odyssé: besøg hos flere specialister, gentagne tests og ofte uden nogensinde at få et endeligt svar. Den følelsesmæssige og økonomiske belastning for familierne er enorm.

NEJM AI-studiet viser, at AI-ræsonnementsmodeller kan finde diagnoser i eksisterende genomdata, som menneskelige eksperter overså – hvilket potentielt kan trække års søgen sammen til uger eller dage . Tilgangen er skalerbar, reproducerbar og forbedres i takt med, at den medicinske viden vokser. Implikationen er, at AI-assisteret genomisk genanalyse kan blive et standard andet-line værktøj, der dramatisk reducerer den diagnostiske byrde for millioner af familier.

Et diagnostisk udbytte på 5 % fra tidligere udtømte tilfælde kan virke lille. Men i en verden af sjældne sygdomme, hvor hvert procentpoint repræsenterer virkelige børn, der endelig får svar og behandlingsplaner, der rent faktisk kan begynde, er effekten øjeblikkelig – og udviklingen accelererer kun.

Sådan fungerede NEJM AI-studiet

Diagnosticering af sjældne sygdomme er ekstraordinært vanskeligt. Genomsekventering kan afsløre millioner af genetiske varianter, og den medicinske viden om disse varianter ændrer sig konstant . Den traditionelle metode – en menneskelig ekspert, der manuelt gennemgår kandidatvarianter op imod den nyeste litteratur – er langsom, omhyggelig og begrænset af, hvor meget én person kan holde i arbejdshukommelsen.

For at løse dette fodrede forskerholdet 376 afidentificerede tilfælde ind i OpenAI's o3 Deep Research-model. AI'en fik til opgave at forbinde kliniske træk, arvelighedsmønstre, variantbeviser og den mest opdaterede videnskabelige litteratur til evidensbaserede kandidatforklaringer. Hvert eneste spor, modellen frembragte, gennemgik derefter menneskelig vurdering: ekspertgennemgang, yderligere testning og klinisk bekræftelse .

De identificerede tilstande spændte over neurodevelopmental disorders, sjældne neuromuskulære sygdomme, pludselig uventet død i pædiatrien og tidligt opstået psykose . Mange af disse tilfælde havde undgået års ekspertanalyse.

Chef for Innovation, John Brownstein, erkendte det beskedne udbytte. "Det at opnå næsten 5 % nye diagnoser lyder måske ikke af meget," sagde han til NBC News, "men i betragtning af hyppigheden af tidligere analyser og den anvendte ekspertise, er det faktisk ret betydeligt" .

Ud over studiet: AI som kerneinfrastruktur på Boston Children's Hospital

Dette NEJM AI-studie er ikke et isoleret eksperiment. Det er en del af en meget større, institutionsdækkende AI-transformation på Boston Children's Hospital, som institutionen beskriver som at behandle AI som "kerneinfrastruktur" .

Centrale resultater fra det bredere initiativ sammen med OpenAI:

• Over 40 sjældne tilstande diagnosticeret, som tidligere havde været uopklarede .
• 7 millioner dollars i omkostningsbesparelser og 60.000 timers sparet personaletid på tværs af kliniske, forskningsmæssige og operationelle teams .
• Mere end en tredjedel af medarbejderne bruger nu AI-værktøjer integreret i daglige arbejdsgange, herunder et sikkert internt ChatGPT-miljø, der bruges på tværs af forskning, klinisk pleje og operationelle områder som forsyningskæde og operationsplanlægning .

Hospitalet rapporterer, at AI har reduceret den administrative byrde, skåret omkostninger, udvidet klinisk kapacitet og gjort det muligt at tackle diagnostiske tilfælde, der engang blev anset for umulige .

Tilsagnet på 50 millioner dollars fra OpenAI

De 50 millioner dollars, der ofte nævnes i forbindelse med denne nyhed, har to komponenter.

For det første lancerede OpenAI i marts 2025 NextGenAI-konsortiet med 15 forskningsinstitutioner (inklusive Harvard) og 50 millioner dollars i finansiering til forskningslegater, computeradgang og API-ressourcer . Boston Children's Hospital har været en direkte modtager. Chefen for Innovation, John Brownstein, krediterede offentligt tilsagnet på 50 millioner dollars for at fremme deres arbejde med sjældne sygdomme via AI i et LinkedIn-opslag i marts 2025 .

For det andet forpligtede OpenAI Foundation sig i begyndelsen af 2026 til yderligere 50 millioner dollars til sin People-First AI Fund, som en del af en bredere forpligtelse til at investere mindst 1 milliard dollars i løbet af det næste år på tværs af life science og sygdomsforskning .

Hvad dette betyder for det globale fællesskab af sjældne sygdomme

Anslået 300 millioner mennesker på verdensplan lider af sjældne sygdomme . Mange udholder en årelang diagnostisk odyssé: besøg hos flere specialister, gentagne tests og ofte uden nogensinde at få et endeligt svar. Den følelsesmæssige og økonomiske belastning for familierne er enorm.

NEJM AI-studiet viser, at AI-ræsonnementsmodeller kan finde diagnoser i eksisterende genomdata, som menneskelige eksperter overså – hvilket potentielt kan trække års søgen sammen til uger eller dage . Tilgangen er skalerbar, reproducerbar og forbedres i takt med, at den medicinske viden vokser. Implikationen er, at AI-assisteret genomisk genanalyse kan blive et standard andet-line værktøj, der dramatisk reducerer den diagnostiske byrde for millioner af familier.

Et diagnostisk udbytte på 5 % fra tidligere udtømte tilfælde kan virke lille. Men i en verden af sjældne sygdomme, hvor hvert procentpoint repræsenterer virkelige børn, der endelig får svar og behandlingsplaner, der rent faktisk kan begynde, er effekten øjeblikkelig – og udviklingen accelererer kun.