Forskningsomtale 161
Systematisk oversikt og metaanalyseEndometriose
Trykk på ord med stiplet understrek for en forklaring. Se hele ordlisten.
Kort svar
En oversikt over 22 studier fant at KI-modeller ofte gjenkjente personer med endometriose, men også ga en del feilaktige positive svar. Resultatene er lovende for forskning på støtte til diagnostikk, men betyr ikke at en KI-test er klar til å erstatte vanlig medisinsk utredning.
Hva undersøkte forskerne?
Forskerne samlet studier av maskinlæring og dyp læring brukt til å identifisere endometriose. De søkte etter studier til 24. november 2025, vurderte risiko for systematiske feil og beregnet samlet diagnostisk treffsikkerhet. Testenes resultater ble målt mot diagnoser definert i de inkluderte studiene. Sammendraget oppgir ikke et samlet deltakerantall.
Hva fant de?
Hvor ofte oppdaget modellene sykdommen?
Samlet SensitivitetHvor stor andel av dem som har tilstanden, testen fanger opp. Høy sensitivitet betyr at færre tilfeller overses.Et eksempel: Hvis en test fanger opp 90 av 100 med sykdommen, er sensitiviteten 90 prosent. Tallet sier ikke hvor mange av alle som testes, som er syke.Se ordet i ordlisten var 90 prosent, med 95 prosent KonfidensintervallEt intervall rundt et beregnet resultat som viser statistisk usikkerhet. Et bredt intervall betyr mindre presisjon. Det fanger ikke opp alle mulige metodefeil.Et eksempel: Et anslag kan peke mot bedring, mens intervallet også rommer ingen forskjell. Da er både retningen og usikkerheten viktige.Se ordet i ordlisten 86–93 prosent. I studiedataene betyr det at omtrent 90 av 100 personer som faktisk hadde endometriose, ble identifisert av modellene.
Hvor ofte ga de riktig svar når sykdommen ikke var til stede?
Samlet SpesifisitetHvor stor andel av dem som ikke har tilstanden, som får et negativt prøvesvar. Høy spesifisitet betyr færre falske positive svar.Et eksempel: Hvis 95 av 100 uten sykdommen får negativt svar, er spesifisiteten 95 prosent.Se ordet i ordlisten var 75 prosent, med 95 prosent KonfidensintervallEt intervall rundt et beregnet resultat som viser statistisk usikkerhet. Et bredt intervall betyr mindre presisjon. Det fanger ikke opp alle mulige metodefeil.Et eksempel: Et anslag kan peke mot bedring, mens intervallet også rommer ingen forskjell. Da er både retningen og usikkerheten viktige.Se ordet i ordlisten 64–84 prosent. Omtrent 25 av 100 uten sykdommen kunne dermed få et positivt testsvar. Ved en antatt forekomst på 10 prosent beregnet forskerne at et positivt svar økte sykdomssannsynligheten til 29 prosent, mens et negativt svar reduserte den til omtrent 1 prosent. Dette er beregningseksempler, ikke individuelle prognoser.
Hvor sikre kan vi være?
Modellene brukte forskjellige datasett og metoder, og resultatene kan bli svakere når de prøves på nye pasienter og behandlingssteder. Studier fra flere sentre og modeller basert på dyp læring var i denne oversikten forbundet med lavere SensitivitetHvor stor andel av dem som har tilstanden, testen fanger opp. Høy sensitivitet betyr at færre tilfeller overses.Et eksempel: Hvis en test fanger opp 90 av 100 med sykdommen, er sensitiviteten 90 prosent. Tallet sier ikke hvor mange av alle som testes, som er syke.Se ordet i ordlisten. Et godt gjennomsnittstall er derfor ikke bevis for at en bestemt modell virker like godt i vanlig helsetjeneste.
Hvem gjelder resultatene for?
Studiene omfattet personer som var vurdert for endometriose i de enkelte forskningsprosjektene, men sammendraget gir ikke samlede data om antall deltakere, alder eller geografi. Diagnostisk treffsikkerhet kan være annerledes hos unge, ved tidlig sykdom og i allmennpraksis.
Hva kan dette bety i hverdagen?
En KI-modell kan på sikt bli et hjelpemiddel i utredningen, men et positivt svar er ikke en diagnose, og et negativt svar bør ikke alene avvise symptomer. Ved vedvarende sterke menstruasjonssmerter, bekkensmerter eller andre plager er klinisk vurdering fortsatt viktig.
Hvordan passer dette med annen forskning?
Forskningen inngår i et bredere arbeid for å utvikle mindre belastende måter å oppdage endometriose på. En samlet MetaanalyseEn statistisk sammenstilling av resultater fra flere studier. Det er viktig at studiene er egnede til å sammenlignes; flere studier gir ikke automatisk et sikkert svar.Se ordet i ordlisten viser hva studerte modeller oppnådde i sine datagrunnlag; den viser ikke at de er vurdert eller godkjent som diagnostiske verktøy i Norge.
Hva trenger vi mer kunnskap om?
Vi trenger store prospektive studier ved flere behandlingssteder, med tydelig beskrivelse av hvordan endometriose ble bekreftet. Forskerne må også undersøke falske positive og negative svar, praktisk bruk, personvern og om KI faktisk gir raskere og riktigere utredning.
Kilder
Omtalen bygger på det forskerne selv rapporterer om metode, resultater og begrensninger.
Kilden denne omtalen handler om
Machine learning and deep learning for diagnosis of endometriosis: systematic review and meta-analysis. Frontiers in Medicine, 2026. DOI: 10.3389/fmed.2026.1907483.
Sist gjennomgått: 2. november 2026.
Kildegrunnlag: Publikasjonens registrerte sammendrag i PubMed. Fulltekst er ikke kontrollert; omtalen bygger bare på resultater og begrensninger som fremgår av sammendraget.