Så hittar de koden för vården: ”Bäst resultat när klinisk och teknisk kompetens kombineras”
På Norrlands universitetssjukhus använder Sara Lundsten och kollegorna ett AI-verktyg för att förutse både vårdtid och vårdtyngd för nyopererade patienter. Foto: Erik Abel.
AI i vården

Så hittar de koden för vården: ”Bäst resultat när klinisk och teknisk kompetens kombineras”

Sara Lundsten i Umeå ville använda informationen i sjukhusets databaser för att optimera resurserna. Terese Dalåsen i Göteborg strävade efter att förhindra fallolyckor på vårdavdelningar. Möt sjuksköterskorna som blivit pionjärer när det gäller att införa artificiell intelligens, AI, på vårdgolvet.

Sahlgrenska universitetssjukhuset i Göteborg har ambitionen att vara ”forsknings- och innovationsmotor” i Västra Götaland, och ligga i framkant när det gäller digitalisering. Det säger Magnus Kjellberg, föreståndare på Kompetenscentrum AI. Tillsammans med sina kollegor har han i uppgift att förverkliga de AI-projekt som initieras på sjukhuset.

– Det händer väldigt mycket. Vi har inte resurser att ta hand om alla förfrågningar och behöver prioritera hårt när vi väljer vilka projekt vi ska satsa på. Kan man identifiera de lågt hängande frukterna är det bra, säger han.

Magnus Kjellberg, föreståndare för Kompetenscentrum AI på Sahlgrenska universitetssjukhuset. Foto: Sahlgrenska.

Ett sådant område är riskbedömning. Med hjälp av AI-modeller har Sahlgrenska universitetssjukhuset bland annat provat att förutse undernäring hos patienter inom geriatrisk vård och beräknat risken för återinskrivning av hjärtsviktspatienter.

Men det projekt som kommit allra längst är en fallpreventionssensor som utvecklats och testats på medicin- och lungavdelning 19/32, på initiativ av tidigare vårdenhetschefen och sjuksköterskan Terese Dalåsen. Hon har varit engagerad i att minska antalet fallincidenter sedan en tragisk händelse på en kirurgavdelning där hon arbetade som chef för några år sedan.

– Vi hade en patient som skadade sig så illa att den avled efter ett fall. Då insåg jag att de hjälpmedel vi hade inte räckte. Man ska kunna känna sig trygg i sjukhusmiljön – vi ska inte orsaka skada. Men vi har inte resurser att avsätta en person att övervaka varje patient.

Styrs av individuella behov

Sensorn liknar en brandvarnare och fästs i taket. Vid inskrivning görs en fallriskbedömning av patienten, som avgör om övervakningssystemet behövs. Personalen kan sedan ställa in hur känsligt larmet ska vara utifrån individuella behov. Dosan i taket läser av rummet i höjdled och registrerar hur patienten rör sig i sängen. Efter lite träning kan den skilja på om personen sträcker sig efter ett glas vatten och sedan lägger sig igen, eller om den är på väg att resa sig upp och därmed riskerar att falla.

Terese Dalåsen, sjuksköterska och AI-pionjär inom vården. Foto: Per Bengtsson.

– AI:n bearbetar och sorterar rörelsedatan och svarar på den information vi bett att få, förklarar Terese Dalåsen.

Liksom många andra inom hälso- och sjukvården oroas hon över den åldrande befolkningens framtida vårdbehov, och är övertygad om att den ökade produktionen av vård måste lösas med hjälp av teknik. Och utvecklingen måste gå fort, anser hon. Problemet är att tekniken utvecklas snabbare än regelverk och lagar.

– Det är lätt att fastna på vägen, vilket är frustrerande, säger hon.

En anledning till att just fallpreventionsprojektet kommit så långt tror hon beror på den gedigna riskanalysen som gjorts med hjälp av bland annat jurister, tekniker och it-arkitekter.

– Vi valde medvetet att varken ha bild- eller ljudupptagning i det här systemet, vilket har gjort att vägen framåt gått snabbt. All data är helt avidentifierad. Då behöver varken patient eller anhöriga känna sig övervakade.

Innehållet i det här blocket kan inte visas

Du har valt att inte acceptera cookies på vårdfokus.se, därför kan inte detta innehåll visas.

Ändra mina inställningar för cookies

Bromsas av krångliga regelverk

Eftersom syftet är att förebygga fall, och att fall inte är en sjukdom, behövde sensorn inte heller klassas som en medicinteknisk produkt, vilket har förenklat processen ytterligare. Kraven på dokumentation och kvalitetssäkring är inte lika höga på en så kallad konsumentprodukt.

Sensorn liknar en brandvarnare som fästs i taket och styrs via mobilen. Foto: Per Bengtsson.

Magnus Kjellberg på Kompetenscentrum AI menar att vården är en både bra och dålig arena för ny teknik. Bra för att behoven är så stora. Dålig på grund av begränsningar i form av bland annat omfattande regelverk.

– Vi hanterar känslig information, ska jobba patientsäkert och verkar dessutom i offentlig sektor där lagen om upphandling gäller. Det gör arbetet svårt och vi beträder hela tiden ny, outforskad mark. Till exempel kan vi inte hantera patientuppgifter i en molntjänst, utan måste bygga egna system.

Han beskriver den tidiga AI-utvecklingen i vården som bildbaserad, främst inriktad på radiologi.

– Det är där tekniken varit mest mogen hittills. Men det senaste året har mycket i stället handlat om hur vi hanterat text av olika slag: journaler, beslutsstöd, rutiner och riktlinjer. Hela intranätet här på Sahlgrenska är till exempel fullt av text. Det finns mängder av rutiner på olika avdelningar och med hjälp av AI har vi provat att slå ihop sådana texter till en, så att det blir lika för alla.

Ny strategi ska snabba på utvecklingen

Under våren lanserade organisationen AI Sweden, som är en sammanslutning av 120 aktörer i privat och offentlig sektor samt lärosäten, en nationell AI-strategi som ska ”accellerera utvecklingen” av den nya tekniken.

Fokus ligger på snabb och storskalig implementering. ”Syftet är att skapa signifikant och sektorsöverskridande värde som bidrar till ett framstående demokratiskt samhälle och stärker vår nationella säkerhet”, skriver AI Sweden i ett pressmeddelande.

Framöver ser han störst möjligheter för AI-teknik när det gäller resursplanering.

– Sjukvården är ett komplext system som är svårt att överblicka för människan, och faktiskt även för datorn. AI är framför allt bra på att hjälpa till att optimera och simulera, både på en övergripande nivå när det gäller saker som schemaplanering och på patientnivå, exempelvis prediktion av vårdtid.

Mycket data i tekniktät miljö

Det är något specialistsjuksköterskan och doktoranden Sara Lundsten i Umeå både forskar om och arbetar med på intensivvårdsavdelningen vid Norrlands universitetssjukhus. Genom att ta tillvara mängden av information som finns i sjukhusets databaser har hon initierat två olika system.

Det ena förutsäger sannolikheten att bli utskriven från ett pågående iva-vårdtillfälle de närmaste dagarna och ger även en förutsägelse över patientens vårdtyngd, det vill säga ger ett mått på hur resurskrävande patienten är. Det andra predikterar vårdlängd efter en operation.

AI-modellerna som Sara Lundsten arbetar med har tagits fram i samarbete mellan Region Västerbotten och institutionen för matematik och matematisk statistik samt institutionen för omvårdnad vid Umeå universitet. Foto: Erik Abel.

Intresset för hur AI kan användas för resursplanering väcktes i hennes tredje roll – som databasansvarig.

– Den tekniktäta miljön på an-op-iva, till exempel respiratorn, genererar massvis av datavärden. Vissa av dem förs in i journaler, andra rapporteras till olika kvalitetsregister eller används för interna uppföljningar. Men mycket låg tidigare helt orört. På många ställen skriver personalen fortfarande ner värdena med papper och penna, men här har vi kopplat upp och integrerat all medicinteknisk utrustning till systemet, så att alla observationer lagras i databasen.

Informationen används numera exempelvis för att i realtid förutse hur länge en viss patient kommer att behöva ligga kvar för postoperativ vård. Det underlättar planeringen för både bemanning och nya operationer.

– Det handlar inte om sannolikhet att bli utskriven utan vi har en reell prediktion på, säg, 4 timmar och 23 minuter. Systemet talar om ifall det är en väldigt säker utsaga, en osäker eller om vi har för lite data för att göra en prediktion. Som personal ska man känna sig säker i tolkningen så att man är trygg när man planerar in nästa patient.

Involverar vårdpersonalen

I uträkningen för varje enskild patient tar AI:n hänsyn till nära 2 500 parametrar. Både mer allmänna fakta som ålder, kön, typ av ingrepp, eventuell sjukdomshistorik och sådant som registrerats nyligen, som hudton, vitalparametrar med mera.

– Vid så kallad maskininlärning tar man all data som finns och låter AI:n välja vad som är viktigt för just den här patienten, förklarar Sara Lundsten.

Resultatet presenteras på en skärm som sjuksköterskorna lätt kan läsa av. Just användarvänlighet är centralt när det gäller digitalisering av den här typen, menar hon.

– I min forskningsresearch har jag sett att många AI-projekt stannar i en it-utvecklares laptop.

Så funkar datadriven vård

Begreppet datadriven, eller informationsdriven, vård blir allt vanligare.

Det handlar om att samla, lagra och bearbeta data både kring en enskild patient och en organisation. På så vis kan exempelvis ett hälsotillstånd, ett sjukdomsförlopp eller en vårdkedja analyseras och justeras. Det kan bidra till en mer faktabaserad och personcentrerad vård, samt till verksamhetsutveckling, resursfördelning och personalplanering.

Region Halland ses som en föregångare och på Högskolan i Halmstad finns Health Data Centre som ägnar sig åt forskning och analys av hälsodata med hjälp av AI.

Anledningen, tror Sara Lundsten, är att vårdpersonalen inte involveras eller tillfrågas om sina behov. Eller att de olika yrkesgrupperna inte förstår varandra tillräckligt väl för att resultatet ska bli användbart.

– När vi tog fram våra första modeller satt jag axel mot axel med en systemutvecklare. Då kunde jag väva in min kliniska blick i siffrorna som vi arbetade med. Till exempel kan inte en matematisk modell tolka att röd och rosig hud är bättre än blåmarmorerad och kall hud hos en IVA-patient. Då måste vi hjälpa modellen att sortera variablerna i en viss ordning. När våra tekniska och kliniska kompetenser samverkade blev modellerna mer träffsäkra. Vi kunde också diskutera på ett tidigt stadium hur resultaten skulle visualiseras för personalen.

I workshops och intervjuer med kollegor från de olika vårdavdelningarna förutsåg Sara Lundsten också farhågor med systemen.

– Det kan uppkomma negativa effekter som man inte tänker på i designprocessen. Kan det till exempel bli en ”sanning” att patienten ska ligga i exakt 4 timmar och 23 minuter? Eller finns det en risk att någon vill ”tävla” mot vårdtidsprediktionen och skriva ut tidigare? Men nästan alla sa ordagrant samma sak: ”Den kliniska kompetensen väger tyngst. Jag skulle aldrig enbart titta på ett verktyg och fatta beslut utifrån det”. Det var skönt att få höra den reflektionen.

Vårdfokus / Nyhetsbrev

Nyheterna, reportagen, forskningen och frågorna för dig i vården. Gratis varje vecka direkt i din inkorg.
Jag godkänner att Vårdfokus sparar mina uppgifter
Skickar formuläret...
Hämtar fler artiklar
Till Vårdfokus startsida