Icon - Strikerfeed

Nyheter

Vad kan AI tillföra primärvården?

Lärdomar från applicering av AI på 6 års patientdata från en vårdcentral.

eHälsa AI Fredrik Eriksson Vitalis 2018

 

Fredrik Eriksson, Senior Medical Advisor på Strikersoft, höll ett föredrag på Vitalis där han redogjorde för resultaten och lärdomarna av att ha använt AI på 6 års patientdata från en vårdcentral.

Inte bara på väldigt stora datamängder

AI har en stor potential att bidra till sjukvården men nuvarande appliceringar har baserats på mycket stora datamängder och omfattande inlärningar. Patientdatalagens utformning begränsar idag möjligheten till tillgång till stora datamängder utanför forskningsprojekt.

- Inom ramen för kvalitetsutveckling och kvalitetsarbete i vården har dock en enskild vårdgivaren möjlighet att analysera den egenproducerade patientdata kontinuerligt, och vi ville se om denna relativt begränsade datamängd kunde ge en nytta för personal och patienter, förklarar Fredrik Eriksson.

Vända på logiken

- Vi ville också vända på tankarna. Vanligtvis så börjar man med en teori, t.ex. att AI på ett snabbare och smartare sätt kan diagnostisera en ovanlig sjukdom eller med större precision hitta avvikelserna på en röntgenbild. Men här gjorde vi tvärs om. Vi började utan förutfattade meningar om vad AI kan eller inte kan göra, och var den skulle ge mest nytta. Istället så provade vi att använda några av de mest kända algoritmerna, dvs ”intelligensen”, på datan som vi hade för att se om det skulle ge något nyttigt. Kanske inom ett helt nytt område.

Samarbete med Inovia

Analysen utfördes under våren 2018 och gjordes tillsammans med Strikersofts nya partner Inovia, experter inom AI och som arbetat länge med AI inom andra branscher t.ex. bank och telekom.

- Det var spännande att applicera AI från den andra sidan, att börja brett och förutsättningslöst, istället för det vi är vana vid, att ha ett specifikt mål och jobba väldigt smalt för att nå detta, kommenterar Marcus Ekendahl, Founder & Chief Services Officer på Inovia. eHälsa är enormt spännande och vi ser erfarenheter från andra branscher där man kommit längre som vi direkt kan applicera inom vården. Här är dock ett exempel där vi skulle kunna ta med oss erfarenheterna från vården in i andra branscher.

Normal vårdtyngd

Patientdatan kom ifrån en normalstor vårdcentral i Sverige med 12,000 listade patienter. Men har en normal vårdtyngd (ACG 0.98) och socioekonomiskt index (CNI 1.12), dvs det är en ganska typisk vårdcentral för en svensk medelstor eller stor stad. Datan var från de senaste 6 åren och bestod av ca 600,000 journaldatapunkter. All data var anonymiserad så att enskilda patienterna inte kan identifieras.

Man såg också att bara 20% av kontakterna var diagnossatta, dvs många kontakter som patienterna har med vårdcentralen är av administrativa karaktär, en patient ringer och vill byta tid, undrar om sina provsvar mm.

eHälsa AI huvud

Var patientdatan användbar för AI?

- Första frågan vi ställde oss var om vi över huvud taget kan använda AI på patientdatan, den har ju inte samlats in eller skrivits in med tanke på att maskinbearbetas, förklarar Fredrik Eriksson. Skulle AI kunna ge ett mervärde till vårdpersonalen att bättre kunna ta hand om sina patienter?

En ytterligare komplikation var att vårdcentralen hade bytt journalsystem under dessa 6 åren. Det visade sig dock att det fanns en viss struktur för data av typen blodprov, läkemedel, diagnoser och sjukskrivningar som gjorde att datan var användbar. Detta tack vare att man under hela tiden använt Medrave.

Applicerbart över hela Sverige

- Ungefär hälften av vårdcentralerna i Sverige använder Medrave som verktyg för att föra in data, så skulle analysen visa att AI verkligen kan ge en nytta så skulle det vara direkt applicerbart på många ställen över hela Sverige, fortsätter Fredrik Eriksson.

Automatiserat beslutsstöd för diagnosgrupper

Nästa fråga man ställde sig var om det gick att få ett automatiserat beslutsstöd för diagnosgrupper, dvs grupperingar av diagnoser t.ex. infektionssjukdomar, utifrån de olika datakällorna.

- När vi talar om beslutsstöd för diagnosgrupper så menar vi att AI skall ge en indikation på vilken typ av sjukdom som en patient har utifrån dennes beskrivning av sina symptom. En indikation till vårdpersonalen i vilken riktning de skall fortsätta att själva analysera.

AI-driven Chatbot – lite smartare för varje dialog

Lösningen som man applicerade här var att kombinera informationen som patienten själv lämnar t.ex. i en så kallad chatbot, med historiska data som man redan har om patienten, och sedan mata in dessa i AI algoritmen.

- En chatbot är en chattfunktion där patienten svarar på frågor från systemet likt en dialog med en människa, förklarar Fredrik Eriksson. Det som skiljer en chatbot med AI från en traditionell chatbot är att den ställer följdfrågorna baserat på vad den lärt sig från tidigare patienters dialoger, och att den lär sig och blir lite smartare för varje svar som en patient matar in.

Hur gör man för att förstå journalanteckningar?

Eftersom journalerna består av mycket text, och mycket ostrukturerad text, så var det i textbearbetningen man började. Första steget är att rensa i texten genom att plocka bort mellan- och småord, som t.ex. ”och”, kommatecken samt ord som ofta används i början och slutet av meningar och som inte har någon klinisk betydelse.

- Här gjorde vi ett antagande att varje typ av diagnos har en speciell vokabulär. Vi gjorde ordmoln och fick fram t.ex. att för infektionssjukdomar så finns ofta orden utslag, hosta, halsen, opåverkad och rodnad med. För muskuloskeletala sjukdomar är orden istället bl.a. t8, t5, sjukgymnastiska åtgärder och palpation.

Infektionssjukdomar AI ordmoln
Infektionssjukdomar
eHälsa AI ordmolm Muskel
Muskuloskeletala sjukdomar

Adderar historiska data

När man har rensat upp i texten så kombinerar man informationen med historiska data om patienten som t.ex. kön, ålder, antal besök, blodprov och andra vitalparametrar, samt lite årstidsvariationer.

- Man ska inte överdriva årstidsvariationer, men vi såg det som vi egentligen redan visste, att vissa diagnoser har ett klart årstidssamband, t.ex. psykisk ohälsa som alltid toppar runt jul/nyår samt på våren.

Sedan matas detta in i AI algoritmerna som får lära sig relationerna mellan orden och kategorierna dvs diagnosgrupperna. I det här fallet använde man 80% av datan för att lära algoritmen, och återstående 20% för att testa algoritmen. Slutligen beräknas sannolikheten av varje gjord diagnos, dvs hur många procent rätt hade algoritmen att förutspå diagnosgrupp utifrån patientens input av text.

Angreppssättet fungerar

Resultatet blev en precision på 0.62, på en skala 0.0 till 1.0, där 1.0 är full precision. De diagnoser dom hade störst träffsäkerhet låg runt 0.8, för andra var precisionen lite sämre.

- För att vara ett första försök är 62% korrekta bedömningar helt ok, förklarar Fredrik Eriksson. Vad vi kunnat visa är att angreppssättet att arbeta med AI som beslutsstöd på en vanlig vårdcentral fungerar, och att det är en möjlig väg framåt för att ge vägledning till läkare och sjuksköterskor inför beslut.

 

AI eHealth structure w Chatbot

 

Lärdomar för spridning

För att metoden ska få tillräckligt bra precision, dvs bli tillräckligt bra så att den kan användas brett och därmed ge genomslag som användbart verktyg, så är lärdomen att det behövs:

  1. mer data för att lära upp algoritmen så att den får större träffsäkerhet
  2. en mer komplex modell för textanalys med bl.a. deep learning
  3. gärna kunna använda data från andra källor, t.ex. tidigare journaler, FASS och patienternas egna data som de själva samlat in

Från personalens perspektiv

Nästa steg var att låta personalen på vårdcentralen titta på resultatet och diskutera var de såg att AI skulle vara till nytta i deras arbete. Resultatet blev:
• Låta patienterna interagera med vårdcentralen innan de tar kontakt som förberedelse inför besöket, både för triagering och att lämna information
• Mer än 40% av samtalen in till vårdcentralen är av administrativ karaktär, så låt AI ta hand om detta. En chatbot svarar på frågor om t.ex. senaste provsvar, eller boka om tider
• Låta AI ta hand om data som patienten själv har mätt och samlat in, för en mer patientcentrerad vård
• Fråga om medgivande innan besöket
• Hämta patienternas journaler innan besöket

Administrativ avlastning

För att sammanfatta: AI kan bidra till att hjälpa personalen på en vårdcentral, och hjälpen finns inom områdena:
• administrativ avlastning, att hantera frågor om bokningar, provsvar mm
• anamnestagning innan besök, både telefon-, video- och fysiska besök
• förbereda besök med att uppdatera sin personliga data, ta in samtycke och även hänvisa och boka tid för patienter till provtagning innan ett besök
• presentera data för läkare i samband med besök och kontakt
• sökning av data, även tidigare data från patienten mm, för att snabbt få överblick
• beslutsstöd om möjliga och troliga diagnoser baserat på patientens data, vårdcentralens data samt externa datakällor

Första vårdcentralen med AI?

- När man ser på helheten så finns redan idag det mesta som behövs för att applicera AI på vårdcentralens verksamhet. Datakraften går att köpa relativt billigt, algoritmerna finns, och skulle man kunna poola 5 till 6 vårdcentraler vad gäller datan så skulle man kunna gå live redan imorgon, avslutar Fredrik Eriksson.

 

Demo av chatbot för vårdcentral

På Vitalis demonstrerade Inovia och Strikersoft en AI-driven chatbot tränad på några av vårdcentralstjänsterna, och intresset i montern var stort. Vill du också prova, klicka nedan så hör vi av oss och bestämmer tid för demo.


Läs mer om eHälsa >>