Finner risikopasienter

I Tromsø er maskinlæring tatt i bruk for å identifisere pasienter som kan være utsatt. Til tider er pasienten tydelig forvirret, og dette kodes som en egen diagnose i pasientjournalen. Men ofte kan tegnene på forvirring være diffuse og oppdages ikke av helsepersonellet. Likevel blir alle observasjoner av pasienten dokumentert, spesielt av sykepleierne.

– Vi lurte på om vi kunne bruke kunstig intelligens og datakraft til å analysere dokumentasjonen i pasientjournalen, og se om den klarte å plukke ut pasienter med en lett forvirringstilstand, sier professor Arthur Revhaug i Universitetssykehuset Nord-Norge (UNN).

Søker i fritekst

Underveis i behandlingen blir det lagt til notater i fritekst i pasientjournalen av både leger og sykepleiere i tillegg til bilder, laboratorieprøver og annet materiale. Alt dette er nå kjørt gjennom en datamaskin med egenutviklet programvare for å analysere og lete etter mønstre i dokumentasjonen som tyder på at pasienten er forvirret.

Resultatene er så lovende etter testingen at sykehusavdelingen og samarbeidspartnerne nå er på vei til å utvikle et maskinlæringsverktøy som kan gi beslutningsstøtte til helsepersonell å for å kunne stille diagnoser. De tre som samarbeider om dette prosjektet er gastrokirurgisk avdeling ved Universitetsykehuset i Nord-Norge, forskningsgruppa for maskinlæring ved Universitetet i Tromsø og Nasjonalt senter for e-helseforskning.

‒ For pasienten er det viktig å få avdekket komplikasjoner etter operasjon, for å få tidlig og riktig oppfølging. Forvirring er en tilstand som kan gi økt dødelighet, økt sjanse for reinnleggelse ved sykehus, og andre alvorlige konsekvenser. Du blir rett og slett mindre i stand til å ta vare på deg selv. Graden kan variere fra at man glemmer rutiner som å ta medisin, til at det inntreffer en nærmest psykotisk tilstand, forklarer Revhaug.

Siden resultatene har vært så gode, har UNN nå ansatt matematikeren bak maskinlæringen, Karl Øyvind Mikalsen. Han skal forsøke å bruke maskinlæring for å identifisere enda flere komplikasjoner etter operasjon.

Kommer ikke i gang i Norge

‒ På sikt kan dette utviklingsarbeidet bli svært så betydningsfullt både for kvaliteten i pasientbehandlingen og for pasientsikkerheten, sier Revhaug.

Det er ingen tekniske hindringer for å ta i bruk maskinlæringsmetoden ved norske sykehus, men juridisk og praktisk er det fortsatt mye i veien. Derfor ligger det an til at det er Nederland som blir først ute med operasjonell testing av slik teknologi i større skala. Det er basert på de norske resultatene og i samarbeid med teamet fra Tromsø.

‒ Det som vi og spesielt Karl Øyvind har gjort, har vakt anerkjennelse ‒ faktisk begeistring, også i utlandet. Det er lite forskning på kvalitetssikring av pasientbehandling ved hjelp av data fra pasientjournalen internasjonalt, forteller professor Robert Jenssen, som er leder av forskningsgruppen innen Maskinlæring ved UiT, og har vært hovedveileder for Karl Øyvind Mikalsen underveis i forskningen.

Manuelt fungerer ikke

‒ Det er kun ved hjelp av maskinlæring at vi klarer å finne disse mønstrene i dokumentasjonen i pasientjournalene. Vi klarer ikke se dem ved hjelp av tradisjonelle og manuelle metoder. Ved å bruke kunstig intelligens gjør vi kvalitetsarbeidet vårt sikrere og mer effektivt, mener Revhaug.

1138 anonymiserte pasientjournaler og 20.000 ulike variabler er med i datasettet som maskinen har hentet læring fra. Revhaug er ekstra imponert fordi Mikalsen og Jenssen har klart å lære datamaskinen å forstå både norsk bokmål, dialekt og svensk, siden det dokumenteres i mange ulike språklige stilarter. Modellen UiT har utviklet kan konverteres til å forstå alle verdens språk.