AI analyserer medisinske datasett på minutter – og leverer i flere tilfeller like godt som erfarne forskerteam. En ny studie fra UCSF og Wayne State University, publisert i Cell Reports Medicine 17. februar 2026, viser hvor raskt og presist generativ AI kan bygge analysepipelines i medisinsk forskning.

Fra idé til innsendt artikkel gikk det seks måneder – et tidshopp som vanligvis tar år.

Hva studien undersøkte

Forskerne ga identiske oppgaver til ulike team: noen besto av kun menneskelige eksperter, andre kombinerte forskere med AI-verktøy. Målet var å forutsi for tidlig fødsel ved å analysere data fra over 1000 gravide kvinner.

Teamene jobbet med vaginale mikrobiomdata, blodprøver og morkakeprøver for å finne tegn på prematur fødsel og estimere svangerskapets stadium.

AI leverer på minutter

Selv et juniorteam bestående av masterstudenten Reuben Sarwal (UCSF) og videregåendeeleven Victor Tarca bygget fungerende prediksjonsmodeller med AI-støtte. Systemet genererte kjørbar datakode på minutter – oppgaver som vanligvis tar erfarne programmerere timer, og i noen tilfeller dager.

«Disse AI-verktøyene kan fjerne en av de største flaskehalsene i datavitenskap: å bygge analysepipelines,» sier Marina Sirota, professor i pediatri og midlertidig direktør for Bakar Computational Health Sciences Institute ved UCSF. «Hastighetsøkningen kunne ikke kommet raskere for pasienter som trenger hjelp nå.»

Resultatene i tall

• 8 AI-chatboter ble testet; 4 produserte brukbar kode som matchet de menneskelige teamene.
• I enkelte tilfeller overgikk AI-modellene resultatene fra ekspertteamene.
• Studien gikk fra idé til innsendt artikkel på seks måneder, sammenlignet med nesten to år i de opprinnelige DREAM-utfordringene (Dialogue on Reverse Engineering Assessment and Methods) der over 100 team globalt deltok.
• Forskerne samlet mikrobiomdata fra omtrent 1200 gravide kvinner på tvers av ni separate studier.

Åpen deling – og mennesker i loopen

«Denne typen arbeid er kun mulig med åpen datadeling, som samler erfaringene fra mange kvinner og ekspertisen fra mange forskere,» sier Tomiko T. Oskotsky, medleder for March of Dimes Preterm Birth Data Repository og medforfatter av studien.

Forskerne understreker at AI krever nøye overvåking. Systemene kan gi misvisende resultater, og menneskelig ekspertise er avgjørende for kvalitetssikring og tolkning.

«Takket være generativ AI vil ikke forskere med begrenset bakgrunn i datavitenskap alltid trenge å danne brede samarbeid eller bruke timer på å feilsøke kode,» sier Adi L. Tarca, professor ved Center for Molecular Medicine and Genetics ved Wayne State University og medforfatter. «De kan fokusere på å svare på de riktige biomedisinske spørsmålene.»

Finansiering og datagrunnlag

Studien ble finansiert av March of Dimes Prematurity Research Center ved UCSF og ImmPort. Dataene ble delvis generert med støtte fra Pregnancy Research Branch ved National Institute of Child Health and Human Development (NICHD).

Konklusjon: Studien peker mot et vendepunkt i medisinsk dataanalyse: generativ AI kan drastisk redusere tiden det tar å bygge robuste analysepipelines, uten å erstatte den kritiske menneskelige vurderingen. Når tempoet øker og kvaliteten bevares, kan forskere bruke mer tid på å tolke funn og stille bedre spørsmål.