AI Healthcare Engineer

En AI healthcare engineer får maskinlæring til at virke på rigtige patienter. Udefra ligner det et almindeligt ML-job. Forskellen er datakilderne, dokumentationskravene og konsekvensen af en fejl.

Typiske opgaver

• Hente og afidentificere data fra PACS, laboratoriesystemer og elektroniske patientjournaler
• Træne modeller på billeder fra CT, MR, røntgen, ultralyd eller patologisnit
• Trække struktur ud af fritekst i journalnotater, ofte med sprogmodeller
• Bygge pipelines, der kan køres igen og revideres bagefter
• Validere modellen på data fra et andet hospital end det, den er trænet på
• Måle og dokumentere bias på tværs af køn, alder og hudtype
• Skrive den tekniske dokumentation til CE-mærkning og kvalitetsstyring
• Overvåge modeller i drift og opdage, når de begynder at glide

En almindelig dag
Formiddagen går tit med data. Et datasæt mangler labels, eller en afdeling har skiftet scanner ud. Så ændrer billederne karakter, og præcisionen falder. Midt på dagen er der møde med en kliniker. Radiologen forklarer, hvornår et falsk negativt svar er farligt for patienten. Det ændrer, hvilken tærskel modellen skal køre med. Eftermiddagen går med kode, tests og dokumentation. En stor del af tiden går til papirarbejde. Det er ikke spild. Dokumentationen er en del af produktet.

Hvor arbejder man

• Medico og life science: Novo Nordisk, Coloplast, Radiometer, Demant, GN
• Danske sundheds-AI-virksomheder som Cerebriu, Corti og Enversion
• Regionernes egne data- og udviklingsenheder
• Sundhedsdatastyrelsen og andre offentlige dataejere
• Konsulenthuse som Systematic og Trifork
• Universiteter og hospitalsforskning, ofte i ph.d.-projekter

Hvad rollen ikke er
Du stiller ikke diagnoser. Du bygger det værktøj, klinikeren bruger. Det faglige ansvar for patienten bliver hos den sundhedsfaglige.

Hvilken lovgivning dækker denne rolle?
Selve jobbet kræver ikke autorisation; autorisationsloven dækker klinisk personale, ikke ingeniører. Til gengæld er produktet reguleret: software, der stiller diagnoser eller foreslår behandling, er medicinsk udstyr efter EU's forordning om medicinsk udstyr (MDR), og Lægemiddelstyrelsen fører tilsyn i Danmark. EU's AI-forordning (AI Act) klassificerer sundheds-AI som højrisiko og stiller krav til datakvalitet, logning og menneskeligt tilsyn. Sikkerhedsstyrelsen er udpeget som koordinerende myndighed for AI-forordningen herhjemme, mens Datatilsynet fører tilsyn med patientdata efter databeskyttelsesforordningen (GDPR) og sundhedsloven. Skal data bruges til forskning, kræver det typisk godkendelse fra en videnskabsetisk komité, og adgang til nationale registre går gennem Sundhedsdatastyrelsen.

Den almindelige vej er en ingeniør- eller datalogiuddannelse med sundhed som specialisering. Der findes ingen dansk uddannelse, der hedder AI healthcare engineer. Det er en jobtitel, ikke en eksamen.

Den lige vej

• Gymnasial eksamen med Matematik A, Fysik B og Kemi B eller Bioteknologi A
• Bachelor på 3 år, fx Medicin og Teknologi på DTU, Sundhedsteknologi eller MedIS på AAU, Sundheds- og velfærdsteknologi på SDU
• Kandidat på 2 år i fx Human Life Science Engineering, biomedicinsk teknologi eller machine learning
• I alt fem år efter gymnasiet

En ren datalogi- eller data science-uddannelse fra KU, AU, DTU eller ITU virker også. Så skal sundhedsdelen læres bagefter. Det sker typisk gennem specialet eller det første job.

Vejen fra klinikken
Læger, radiografer, bioanalytikere og sygeplejersker skifter også ind i faget. Den kliniske forståelse er svær at lære udefra. Programmering kan læres. Mange tager en kandidat i sundhedsinformatik eller data science ved siden af arbejdet. Andre bygger det op gennem en ph.d. i medicinsk billedanalyse.

Vejen fra software
Kommer du fra almindelig ML eller backend, mangler du tre ting: domænet, datamodellerne og reglerne. Start med DICOM og HL7 FHIR. Læs IEC 62304 om softwarens livscyklus og ISO 14971 om risikostyring. Søg derefter job hos en medicoproducent. Der kan kvalitetsafdelingen lære dig resten.

Adgang og optag
Ingeniøruddannelserne optager på adgangskvotient og kvote 2. DTU og AAU udbyder adgangskursus til dem, der mangler Matematik A eller Fysik B. Et studiejob eller projektsamarbejde med et hospital vejer tungt på cv'et. Erfaring med rigtige patientdata er svær at få uden for en institution.

Karriereveje videre

• MLOps- eller platformansvarlig for kliniske modeller
• Regulatory affairs eller QA med speciale i AI-software
• Product owner på et medicinsk softwareprodukt
• Klinisk AI-specialist eller dataansvarlig i en region
• Teamlead eller principal engineer i medicoindustrien

Sprog og modeller
Python er standarden. PyTorch bruges til det meste, TensorFlow findes stadig i ældre kodebaser. scikit-learn og XGBoost dækker de tabulære opgaver. MONAI og nnU-Net er faste valg til segmentering af medicinske billeder. Sprogmodeller bruges til journalnotater, ofte lokalt af hensyn til data.

Sundhedsdataformater

• DICOM til billeder fra scannere
• HL7 FHIR til udveksling af journaldata
• SNOMED CT, ICD-10 og NPU-koder til diagnoser, begreber og laboratoriesvar
• OMOP CDM, når data fra flere kilder skal have samme struktur

Systemer du møder
PACS-arkiver og Orthanc til billedlagring. Sundhedsplatformen i Region Hovedstaden og Region Sjælland. Columna fra Systematic i de øvrige regioner. Nationale registre gennem Sundhedsdatastyrelsen. Danmarks Statistiks forskermaskine, når data ikke må forlade miljøet.

Drift og kvalitet
Docker, Kubernetes, MLflow og DVC. Git med rigtige reviews, fordi sporbarhed er et krav og ikke en god vane. Azure eller GCP med sundhedsspecifikke tjenester, hvis skyen overhovedet må bruges. Kvalitetsstyringen kører efter ISO 13485. Softwaren udvikles efter IEC 62304, og risiko styres efter ISO 14971.

Værktøj til at kigge på data
3D Slicer og ITK-SNAP til billeder og annoteringer. Labelværktøjer som CVAT eller MD.ai. En stor del af arbejdet er at se på selve data, ikke kun på tallene i en rapport.