Utvikler unik «kalkulator» for riktig dosering av Levaxin

15. april 2026

Trenger deltakere til banebrytende studie på lavt stoffskifte


Normalt tar det 6-12 måneder å finne riktig medisindose når pasienter diagnostiseres med lavt stoffskifte, noen ganger enda lenger. Målet med et nytt, banebrytende verktøy er å få denne tiden ned til åtte uker.

Kanskje kan de også finne ut hvorfor noen fortsatt ikke føler seg bra til tross for at blodprøvene viser at de er innenfor referanseområdene.

 

Tekst: Lasse Jangås

 

Det innovative forskningssamarbeidet i Nord-Norge har allerede vist gode resultater. I noen år har et forskerteam, ledet av overlege og førsteamanuensis Vegard Brun, jobbet med «kalkulatoren».

I det prosjektet har forskerne konsentrert seg om pasienter som har operert bort skjoldbruskkjertelen på grunn av høyt stoffskifte, og nå starter en ny studie parallelt som inkluderer pasienter som er rammet av Hashimotos.

Til dette trenger forskerne deltakere. (Se nederst i saken.)

– Vi er ute etter deltakere som enten skal starte med Levaxin for første gang eller de som allerede bruker medisiner og som, på legens anbefaling, skal justere Levaxin-dosen sin med minst 100 mikrogram uke, sier sykehusfarmasøyt og forsker Martin Masin ved Sykehusapoteket i Bodø.

 

Oppsiktsvekkende resultater

Sammen med Vegard Brun ved Universitetssykehuset Nord-Norge i Tromsø og SINTEF jobber han for å kunne gi fastlegene et svært nyttig verktøy.

Piloten til prosjektet for de som hadde operert bort kjertelen viste oppsiktsvekkende gode resultater:


  • 80 prosent av pasientene i studien var innenfor de internasjonale målområdene for TSH og fT4 i løpet av åtte uker.
  • Mens bare 19 prosent av pasientene i kontrollgruppen (som ble behandlet på vanlig måte) oppnådde samme resultat.


Styrken i «kalkulator»-prosjektet er at det benyttes matematiske algoritmer for raskere å komme fram til riktig dose Levaxin. Det som skjer på legekontorene i dag er at man starter med en dose basert på erfaring og pasientens vekt, for så å kontrollere resultatet etter 6-8 uker. Deretter justeres dosen, ofte flere ganger, til pasienten er «på plass».

Årsaken til dette er at de individuelle forskjellene i dagsbehovet er store; om lag fem ganger forskjell på laveste og høyeste dose, og den lange og variable halveringstiden på tre til ti dager.

 

Kan spare pasientene for mye ubehag

Tiden det tar å komme på riktig dose preges ofte av nedsatt funksjonsevne og symptomer på over- eller underdosering for pasienten. Å få ned tiden det tar å oppnå korrekt dosering av medisin kan spare pasientene for mye ubehag og samfunnet for store summer i form av mindre sykefravær og færre legebesøk.

– Kalkulatoren er opprinnelig ikke laget for pasienter med lavt stoffskifte på grunn av threoiditt, men for de som har operert bort kjertelen på grunn av høyt stoffskifte. I dette nye prosjektet vil vi se om den også kan brukes på pasienter som har lavt stoffskifte på grunn av Hashimotos, sier Martin Masin.

 

Mål: 100 deltakere

Forskernes mål er å rekruttere 100 deltakere til studien. Deltakerne vil ta blodprøver fra før de starter med Levaxin/justerer dosen med minst 100 mikrogram per uke til det har gått åtte uker. I tillegg vil de ha på seg hjertesensorer og svare på to spørreskjemaer om generell helse og thyroidea-relatert helse. Dette for å kontrollere hvordan de faktisk har det, og ikke bare basere seg på blodverdiene.

– Dataene vi får inn fra deltakerne vil danne grunnlaget for å utvikle kalkulatoren slik at den kan brukes på en bredere gruppe, sier Martin Masin.

Målet er altså at den skal kunne brukes på alle hypotyreosepasienter, også de som allerede er under behandling, for å kontrollere at dosen de går på er riktig.

– Når dataene er samlet inn vil vi blant annet kunne sjekke hva kalkulatoren ville foreslått for deltakerne underveis i behandlingsoppstarten eller når de får justert sine doser.

 

Flere mål

Prosjektet har også et annen viktig hensikt:

– Målet er ikke bare å lage en kalkulator for å beregne riktig medisindose raskere, men ved hjelp av hjertesensorene vil vi forsøke å forstå bedre hvorfor noen har det bra på en dose og hvorfor noen ikke føler de er optimalt behandlet tross blodprøver innenfor referanseområdene, sier forskningsleder Vegard Brun.

– Vi prøver altså å få til en objektiv måling av noe som kanskje ikke synes på blodprøvene, og som da forhåpentligvis kan forklare bedre hvorfor de ikke føler seg bra. Det blir spennende å se om vi kan få til det.

 

Ønsker deltakere fra hele landet

Forskerne ønsker seg deltakere fra hele landet, for det byr ikke på noen praktiske utfordringer om de ikke bor i Nord-Norge.

– Deltakerne tar blodprøvene enten på sitt sykehus eller hos fastlegen, og disse sendes til UNN i Tromsø. Sensorene de skal ha på seg sendes til deltakerne i posten, sammen med bruksanvisning, forbruksmateriell og skriftlige blodprøverekvisisjoner, og all inklusjon skjer over telefon. Resten av informasjonen blir sendt gjennom helseboka eller som SMS, sier Martin Masin.

Forskerne har allerede flere viktige samarbeidspartnere på plass fra det første kalkulatorprosjektet:

SINTEF utvikler selve kalkulatoren som gjør beregningene av doseringsforslag gjennom avansert algoritmer, og drifter også serveren som utfører beregningene.

Og Helseboka har utviklet den digitale løsningen for datainnsamling og kommunikasjonen med deltakerne.

– Vi startet datainnsamlingen i slutten av februar, og målet er altså å få med 100 deltakere. Så kommer vi til å gjøre den første analysen etter at 50 deltakere har gjennomført, sier Masin.


Andre innlegg

Av Lasse Jangaas 13. april 2026
– Ta deg ei natt på hotell for å sove ut, foreslo fastlegen da Karianne var utkjørt. Så viste det seg at hun hadde en TSH på over 150. Tekst og foto: Lasse Jangås – Jeg var heldig som opplevde en drøm av et svangerskap. Fødselen var riktignok tøff, men jeg hentet meg ganske fort inn etterpå, sier Karianne Andreassen (32) fra Tromsø. Gradvis forverring Hun er profesjonell danser, utdannet ved London Studio Centre i England, og jobbet i England og Skottland i flere år før hun i 2019 flyttet til Oslo. – Albert ble født i juni i 2024, og i løpet av seinsommeren og tidlig på høsten begynte jeg å få energien tilbake. Jeg gledet meg til å reise på turné med en soloforestilling i november, minnes hun. Men slik skulle det ikke gå. – Jeg ble mer og mer sliten utover høsten, og måtte etter hvert sove med Albert hver gang han trengte en lur. Men det utviklet seg så gradvis at det ikke var så lett å merke fra dag til dag. I jula reiste hun hjem til Tromsø, og familien reagerte umiddelbart på hvordan Karianne så ut. – Søsteren min jobber i helsevesenet og spurte med én gang om jeg var syk. Og når jeg ser på bilder av meg fra den jula, kjenner jeg meg nesten ikke igjen. Jeg var veldig pløsete og hoven i ansiktet. Klarte ikke å gå til legen Etter at hun kom tilbake til Oslo på nyåret i fjor ble det bare verre. – Jeg orket omtrent ingenting, ville bare sove. Jeg hadde bestilt legetime, men da dagen kom, ringte jeg for å avbestille. Jeg orket ikke, tenkte det var bedre at jeg brukte den tida på å sove, sier hun. Det skulle dessverre bli enda verre. – Noen uker senere fikk jeg et voldsomt panikkanfall, hvor jeg gråt og hikstet og ikke klarte å snakke. I denne perioden følte hun seg også alene. De andre i barselgruppa hennes sa at det nok kom til å bli bedre. – Men det gjorde det jo ikke. Og jeg følte på en skam over at jeg var den eneste som ikke fikk det til. De andre tok med seg barna på babysvømming og andre aktiviteter, men jeg hadde ikke en sjanse til å delta på sånt. Jeg orket rett og slett ikke. Karianne reiste i stedet tilbake til Tromsø. Familien reagerte igjen på formen hennes og søsteren hennes ga henne et skjema hun kunne fylle ut for å se om hun kanskje led av fødselsdepresjon. – Da var det ganske ille fatt med meg. Jeg var så sliten at jeg måtte bytte hånd mens jeg pusset tennene. Og fødselspermisjonen nærmet meg slutten. Jeg skulle snart begynne å jobbe igjen, med to krevende forestillinger om dagen... (Artikkelen fortsetter under bildet.)
Av Lasse Jangaas 26. mars 2026
Kunstig intelligens (KI) har allerede gjort sitt inntog i helsesektoren. En ny studie viser at KI-assistert ultralyd også kan øke presisjonen ved diagnostisering og skille mellom god- og ondartede knuter på skjoldbruskkjertelen. Forskerne analyserte data fra 28 studier med til sammen over 130.000 pasienter og mer enn 150.000 skjoldbruskkjertelknuter, og resultatene viser at KI-systemer har høy diagnostisk nøyaktighet når det gjelder å skille mellom godartede og ondartede knuter. Sensitivitet (evne til å oppdage sykdom): ca. 89 % Spesifisitet (evne til å utelukke sykdom): ca. 84 % Dette betyr at teknologien i stor grad klarer å identifisere både de som faktisk har kreft og de som ikke har det. Bedre analyse av medisinske bilder KI-systemene analyserer ultralydbilder av skjoldbruskkjertelen, og særlig såkalte dyp-læringsmodeller (deep learning) utmerker seg, fordi de kan oppdage komplekse mønstre i bildene som kan være vanskelige å se for det menneskelige øyet. I motsetning til tradisjonelle metoder, som er avhengige av forhåndsdefinerte kriterier og subjektive vurderinger, lærer disse modellene direkte fra store datamengder. Dette gjør dem bedre egnet til å håndtere komplekse og nyanserte medisinske data. Studien tyder på at KI-verktøyene fungerer spesielt godt for pasienter over 50 år, kvinner og på knuter som er under 20 mm i diameter. Kan redusere unødvendige inngrep Denne forbedringen i diagnostikk også kan bidra til å redusere overbehandling. Oppdagelse av knuter på skjoldbruskkjertelen øker i omfang med bedre verktøy, og i dag oppdages mange små knuter som kanskje aldri ville utviklet seg til alvorlig sykdom. Ved hjelp av KI kan leger i større grad unngå unødvendige biopsier og operasjoner, og følge enkelte pasienter med aktiv overvåking i stedet for behandling. Fortsatt utfordringer Selv om resultatene er lovende, peker forskerne på flere store utfordringer: Studiene varierer mye i kvalitet og metode. De ulike KI-modellene varierer i presisjonsnivå. KI-systemer må fortsatt kvalitetssikres og brukes sammen med leger. I tillegg reiser teknologien spørsmål om personvern, ansvar og etikk som må avklares før bred implementering. Forskerne understreker også i sin artikkel at kunstig intelligens foreløpig bør brukes som et støtteverktøy, ikke som en erstatning for klinisk vurdering. Legens kompetanse vil fortsatt være avgjørende i diagnostikk og behandling. Veien videre, uttaler forskerne, bør være at forskningen fokuserer på å utvikle mer avanserte og presise modeller, kombinerer ulike typer data (bilder, genetikk, kliniske opplysninger) og tester teknologien i større og mer varierte pasientgrupper. Etterlyser tolkningsmodeller – I tillegg er tolkningsmodeller fortsatt en betydelig forskningsutfordring. Per i dag er mange forskere usikre på hvor pålitelige KI-modeller er. Som såkalte «black box»-systemer mangler de innsyn i hvordan diagnoser og beslutninger tas, noe som skaper et forståelsesgap mellom leger og modeller og svekker tilliten i klinisk praksis, skriver forskerne i artikkelen. – «Forklarbar kunstig intelligens» (interpretable AI) er en samlebetegnelse for verktøy og metoder som hjelper mennesker med å forstå og tolke prediksjonene fra maskinlæringsalgoritmer. Dette omfatter både forklarbare modeller og brukervennlige grensesnitt. Slike løsninger kan bidra til økt nøyaktighet, rettferdighet og åpenhet i diagnostiske modeller, og til bedre forståelse av beslutninger basert på kunstig intelligens.
Av Lasse Jangaas 25. mars 2026
Mia Årebru har vært med på å utvikle en app som gir personer med stoffskiftesykdom bedre oversikt over egen helse. Årebru er fra Øvre Årdal og studerer energi og miljø på sivilingeniørstudiet ved NTNU i Trondheim. Sammen med medstudent Birk Jonathan Ramstad har hun utviklet et digitalt verktøy for å følge med på symptomer, søvn, energinivå og prøvesvar hos personer med stoffskiftesykdom. Bedre innsikt i egen helse – Jeg opplevde selv hvor vanskelig det kan være å forstå egen helse når symptomer, prøvesvar og råd fra ulike steder aldri settes i sammenheng. Selv når man gjør «alt riktig» kan det fortsatt være krevende å forstå hva som faktisk påvirker deg og hva man kan gjøre med det. Jeg savner et sted der all informasjon kunne samles og gi reell innsikt, sier hun. – Der ble ideen om Thylo Insight født – en sykdomsspesifikk plattform som gjør helsedata mer forståelig og nyttig slik at man kan få bedre innsikt i egen helse og hva som faktisk gjør en forskjell. Duoen bak appen begynte med å kartlegge behovet. En spørreundersøkelse de la ut, fikk over 900 svar. Dermed skjøt prosjektet fart, og nå er appen Thylo Insight snart klar for lansering. – Interesserte kan melde seg på venteliste via nettsiden for å kunne være de første til å teste den, sier Mia Årebru. (Artikkelen fortsetter under bildet.)
Se flere innlegg