Bättre vård till lägre kostnad genom att använda data

 Sammantaget visar avhandlingen på framsteg när det gäller att tydliggöra potentialen hos AI inom hälso- och sjukvården, och för att ge kliniker och patienter bra verktyg vid beslutsfattande.

 

Awais Ashfaq, postdoktor vid Akademin för informationsteknologi på Högskolan i Halmstad

Halland tar ledningen

En åldrande befolkning medför att förekomsten av kroniska sjukdomar ökar snabbt i vårt samhälle. Dessa sjukdomar, till exempel cancer, demens, diabetes och hjärtsjukdomar, samt en ökning av psykisk ohälsa, är mycket utmanande och resurskrävande för vårt sjukvårdssystem. Sjukvårdorganisationer måste hitta sätt att förbättra kvaliteten på vården och samtidigt minska kostnaderna.

– Det pågår flera initiativ i Sverige med målet att utveckla vården genom att använda artificiell intelligens. Det som är anmärkningsvärt i Halland är att vi arbetar med verkliga data i skarpa forskningsprojekt där vi samarbetar över organisationer och discipliner, säger Markus Lingman, överläkare och strateg på Region Halland och adjungerad professor i medicin vid Högskolan i Halmstad.

– Samarbetet mellan Region Halland och Högskolan i Halmstad har brutit ny mark – vi bidrar redan till den nödvändiga omställningen av vår sjukvård till att bli mer informationsdriven. Det är dags att flytta upp den kognitiva pyramiden! Låt datorerna göra det som de är bäst på och människorna det vi är bäst på, säger Markus Lingman.

Information från nuvarande patienter kan förebygga framtida sjukdomar

Informationsdriven vård är ett koncept där AI, specifikt maskininlärning, tillämpas på insamlad hälsodata. De data som analyseras kan vara både kliniska data och resursrelaterade data. Maskininlärningsalgoritmer kan hitta mönster och dra slutsatser från stora mängder data för att få en helhetsbild av sjukvården – från individ– till systemperspektiv. Denna information kan användas av läkare för att ge sina patienter bästa möjliga vård, för att tidigt upptäcka sjukdomar, identifiera riskgrupper eller risk hos individer och sätta in förebyggande insatser med hög precision. Ledningen för regionerna kan använda informationen för att spara resurser utan att kompromissa med vårdkvaliteten genom att rikta resurserna dit de gör mest nytta.

Låt datorerna göra det som de är bäst på och människorna det vi är bäst på.

Markus Lingman, överläkare och strateg i Region Halland och adjungerad professor i medicin vid Högskolan i Halmstad.

– De maskininlärningsmodeller som vi utvecklar kan användas för att förutsäga framtida händelser för patienter. Oftast är vi intresserade av att prediktera negativa utfall så att nödvändiga åtgärder kan vidtas för att undvika dem. Ett negativt utfall kan till exempel vara sjukdomsdebut, återinläggning på sjukhus eller död, säger Awais Ashfaq.

Förebyggande av återinläggning för hjärtsviktspatienter

En av artiklarna i Awais Ashfaqs avhandling visar resultatet av en studie om återinläggning på sjukhus bland patienter med hjärtsvikt. En av fyra patienter i denna patientgrupp skrivs in igen på sjukhuset inom 30 dagar efter utskrivning. Att bli inskriven på nytt innebär en betydande hälsorisk för patienten på grund av sjukhusförvärvade infektioner och kliniska fel. Återinläggningar leder också till eskalerande vårdkostnader för sjukvården. För att minska återinläggningarna måste riktade åtgärdsprogram påbörjas för högriskpatienter. Awais Ashfaq och de andra forskarna använde data från 7 500 hjärtsviktspatienter i Halland för att identifiera högriskpatienter genom maskininlärningsmodeller.

– Resultaten av studien kommer att bidra till en gradvis och ett säkert införande av artificiell intelligens i den kliniska miljön, säger Markus Lingman, som var en av Awais Ashfaqs handledare under hans doktorandstudier.

Awais har bidragit starkt till hur maskininlärningsalgoritmer kan representera data och kunskap, kvantifiera osäkerhet och hantera överraskande situationer. Samtidigt är arbetet mycket väl förankrat hos kliniker inom Region Halland, och motiverat av verkliga utmaningar

Slawomir Nowaczyk, professor i maskininlärning vid Högskolan i Halmstad

Slawomir Nowaczyk är professor i maskininlärning vid Högskolan i Halmstad och var Awais Ashfaqs huvudhandledare:

– Ur ett datavetenskaps- och maskininlärningsperspektiv är den här studien speciellt intressant. Den kombinerar på ett unikt sätt djup teoretisk och algoritmisk utveckling inom området artificiell intelligens med praktiska och effektiva överväganden från direkta interaktioner med sjukvårdssystemet. Awais har bidragit starkt till hur maskininlärningsalgoritmer kan representera data och kunskap, kvantifiera osäkerhet och hantera överraskande situationer. Samtidigt är arbetet mycket väl förankrat hos kliniker inom Region Halland, och motiverat av verkliga utmaningar, säger Slawomir Nowaczyk.

Modeller för djupa neurala nätverk

Awais Ashfaqs forskning har fokuserat på att utveckla AI-modeller, mer specifikt modeller för så kallade djupa neurala nätverk. I modellerna används befintliga patientdata i elektroniska journaler (EPJ) från Region Halland för att kunna förutsäga negativa utfall för patienter.

– Sammantaget visar avhandlingen på framsteg när det gäller att tydliggöra potentialen hos AI inom hälso- och sjukvården, och för att ge kliniker och patienter bra verktyg vid beslutsfattande. Vi tror dock att det finns fler etiska och tekniska utmaningar att ta itu med, för att fullt ut kunna dra nytta av data och AI inom vården, säger Awais Ashfaq.

Nästa steg är att utveckla ”förklaringar”

Awais Ashfaq har samarbetat med forskare från flera olika discipliner under sin doktorandutbildning, främst från Högskolan i Halmstad, Region Halland, Lunds universitet, Harvard Medical School, Brigham Women’s Hospital och företagen Novartis och AstraZeneca. Ett konkret forskningsresultat är utvecklingen av en generisk prediktionsmodell kallad Deep Evidential Doctor (DEED). Modellen lär sig effektiva representationer av kliniska koncept och patientresor från elektroniska journalsystem för individanpassade prediktioner, samt pålitliga konfidensuppskattningar.

– Medan resultaten av prediktionerna underlättar en identifiering av riskgrupper, stödjer konfidensuppskattningarna användarnas förtroende för dessa prediktionsmodeller. Om det behövs så designas redundans i applikationerna för att undvika tvivelaktiga prediktioner, säger Awais Ashfaq.

– I framtida arbeten vill vi utöka DEED-ramverket för att omfatta bredare datamodaliteter som kliniska anteckningar, signaler och daglig livsstilsinformation. Vi kommer också att utrusta DEED med förklaringsfunktioner för att öka acceptansen i verklig klinisk praxis, säger Awais Ashfaq.